¿Sabías que si calculamos la correlación entre la cantidad de helado que se vende por día y la cantidad de gente que se muere por día porque la mató un tiburón obtendríamos una correlación positiva? Es decir, cuanto más helado se vende más gente se muere porque la mató un tiburón y cuanto menos helado se vende menos gente muere porque la mató un tiburón.

La correlación es un cálculo estadístico con el cual miramos si dos variables (dos cosas) están relacionadas entre sí. Al calcular una correlación vamos a poder ver: si esa relación es significativa (si hay o no hay asociación), en qué sentido se da (positiva o negativa) y qué tan fuerte es (su magnitud). La correlación más utilizada es la r de Pearson. Con ella se analiza el vínculo lineal entre dos variables cuantitativas. Es importante esta parte de lo "lineal". Si la relación entre las dos variables es de otro tipo (por ejemplo, curva), la r de Pearson posiblemente no la detecte.

Una relación positiva o directa se da cuando las dos cosas que estoy analizando van juntas. Cuanto más de una cosa más de la otra. Por ejemplo, si calculo la correlación entre cuántos litros de agua tiene una pileta y cuántos litros de cloro se usan en esa pileta, la correlación será positiva. Cuanto más litros de agua de pileta más litros de cloro, cuanto menos agua menos cloro. Sí, por el contrario, veo si hay una relación en el resultado de un test que mide qué tan estresado estoy y la respuesta a la pregunta “¿Cuántos minutos meditás por día?”, la correlación posiblemente sea negativa o indirecta. Cuanto más estrés se vea en el test menos minutos por día de meditación y cuanto menos puntaje haya en el test de estrés más minutos por día de meditación.

Este tipo de análisis simplemente me dice si las variables están relacionadas o no y, en caso de que sí lo estén, me dice cómo es esa relación. Por más que yo piense que una cosa causa a la otra, las correlaciones no me brindan ningún tipo de información que me habilite a decir “impacta”, “influye”, “potencia”, “causa”, “incrementa”, “disminuye”, “tiene un efecto en”... Es decir, las correlaciones no me habilitan a hablar de causalidad.

Volviendo a los tiburones y los helados, si cometiéramos el error de pensar que correlación es causalidad, podríamos decir “¡Los helados son peligrosos!”, “¡Dejen de vender helados!” o “Cuando las personas consumen helados se mueren porque las matan los tiburones”. Y, como este ejemplo es extremadamente absurdo, nos damos cuenta que nuestras conclusiones no tienen sentido y que la asociación que observamos probablemente esté explicada por otra cosa. Por ejemplo, por el hecho de que cuando hace calor la gente compra más helado y que cuando hace calor la gente se mete más al mar. Y si justo cuando te metiste al mar anda por ahí algún tiburón: ¡Zas!, hora de desayunar para el tiburón.

Entonces que observemos que hay una correlación no necesariamente implica que una variable causa a la otra. Las observo o las mido en el mismo momento y no las manipulo (las modifico) como lo haría en un experimento (una de las formas con las que sí podríamos ver si una cosa causa a la otra). Es decir, no sabemos si una cosa causa a la otra, si es al revés, o si ambas en realidad no están relacionadas (como pasa con los helados y los tiburones) porque en realidad hay otra cosa (otra variable) por detrás que las explica. A veces, en algunas investigaciones o espacios de divulgación se asume causalidad cuando en realidad los datos son correlacionales. La próxima vez que te digan que una cosa impacta o tiene un efecto sobre otra tal vez te acuerdes de los tiburones y los helados y preguntes “Pero... ¿esta afirmación está basada en una correlación?”