“Correlação não implica causalidade” é uma das frases mais importantes que podemos ouvir de um curso (bom) de estatística. Mas, o que é exatamente a causalidade?

“Se eu chutar uma parede, meu pé vai doer”, é um exemplo simples de causalidade. Porém, na prática, nem sempre pode ser tão simples estabelecer uma relação causal.

O pesquisador israelense Judea Pearl desenvolveu uma teoria robusta e provocativa sobre causalidade x correlação, publicado em vários artigos e também no livro “The book of why”.

Um dos itens interessantes é a “Escadaria da Causalidade”.

Associação (Observação) – Correlações e padrões nos dados. Exemplo: “Fumantes têm maior probabilidade de ter câncer.“

Intervenção (Fazendo) – Efeito de ações sobre o sistema. Exemplo: “Se uma pessoa parar de fumar, o risco de câncer diminui?“

Contrafactual (Imaginando) – Cenários alternativos. Exemplo: “Se essa pessoa nunca tivesse fumado, teria desenvolvido câncer?”

Normalmente, o estatístico comum para na correlação, ou associação. Poucos sobem a escadaria da causalidade, a fim de realmente descobrir relações causais. No topo, está o contrafactual: se a pessoa tivesse feito outra ação, o resultado seria o mesmo?

É difícil observar contrafactuais, sendo necessário fazer experimentos controlados ou dividir os dados em grupos similares com exceção da variável.

Vale a pena explorar as relações causais mais a fundo, porque, no final das contas, os modelos devem representar causalidade, não apenas correlação.

Além disso, o nosso cérebro é uma máquina de estabelecer causalidades. Por isso, generalizamos conclusões a partir de poucos dados, além de acharmos narrativas muito envolventes, e termos dificuldade de entender probabilidades.