Correlação não indica causalidade

Você já deve ter ouvido que correlação não indica causalidade certo?

Vem comigo ler esse post e entender o porque é também porque isso importa hoje pra Uso de IA.

Correlação é uma medida de associação entre variáveis.

Um exemplo simples do mundo real:

• número de horas estudadas

• nota em uma prova

Em muitos conjuntos de dados, estudantes que estudam mais horas tendem a ter notas maiores. Essas duas variáveis apresentam correlação positiva.

Ferramentas estatísticas como o coeficiente de Pearson medem o quanto essas variáveis variam juntas.

A correlação descreve movimento conjunto dos dados.

E causalidade?

Causalidade descreve uma relação em que um evento produz outro.

Existe um mecanismo que liga os dois fenômenos. Um exemplo simples do mundo real:

• aplicar fertilizante em uma planta

• crescimento mais rápido da planta

O fertilizante fornece nutrientes essenciais ao solo, que são absorvidos pelas raízes e utilizados no metabolismo da planta.

• Esse processo biológico explica

• por que o crescimento ocorre

Na análise científica usamos também a ideia contrafactual:

Se o fertilizante não fosse aplicado, o crescimento observado naquele nível não ocorreria.

Esse tipo de relação, com mecanismo explicável e verificável, caracteriza uma relação causal.

Em muitos conjuntos de dados duas variáveis aparecem associadas porque ambas respondem a um terceiro fator.

Esse terceiro elemento é chamado de variável de confusão.

Exemplo clássico em estatística:

• vendas de sorvete aumentam

• ataques de tubarão aumentam

O fator que explica esse comportamento é a temperatura no verão!

Com temperaturas mais altas:

• mais pessoas compram sorvete

• mais pessoas entram no mar

Esse terceiro fator influencia os dois eventos ao mesmo tempo e gera a associação observada nos dados.

As vezes ainda precisamos observar a direção da relação.

Em alguns casos existe associação entre variáveis e a análise precisa identificar a direção da influência.

Pesquisas encontram associação entre:

• uso intenso de redes sociais

• níveis elevados de ansiedade

Estudos científicos investigam a direção da relação por meio de métodos de inferência causal, experimentos ou estudos longitudinais.

Mas as vezes grandes bases de dados produzem inúmeras associações estatísticas.

Algumas delas surgem apenas por coincidência matemática.

Um exemplo famoso em visualizações estatísticas mostra associação entre:

• consumo de queijo per capita

número de pessoas que morreram enroladas em lençóis A correlação aparece nos dados históricos, embora não exista mecanismo causal conhecido.

E como a gente realmente avalia causalidade:

• Agradeçam a brandford Hill

Ele organizou critérios sistemáticos para avaliar relações causais.

Entre eles:

temporalidade o evento causal ocorre antes do efeito

• força da associação

• consistência em diferentes estudos

• plausibilidade teórica ou biológica

E porque tudo isso importa também pra IA?

Modelos estatísticos aprendem padrões presentes nos dados.

Quando o padrão representa apenas associação circunstancial, o desempenho do modelo depende fortemente do contexto em que foi treinado.

A análise pra ser consistente precisa combinar estatística, teoria e compreensão do fenômeno observado.

Resumindo:

Correlação indica associação entre variáveis.

Causalidade descreve um mecanismo que produz o efeito observado.

Gostou, comenta aqui pra gente

---