Si la correlación no implica causalidad, ¿cómo pueden los científicos llegar a una conclusión sobre la causalidad?

TL: DR respuesta inteligente alecky – mediante el uso de la ciencia.

Respuesta más larga: la correlación, por sí sola, no implica causalidad, pero da indicios de buenos lugares para buscar. Uno puede (a veces) hacer un experimento controlado donde la correlación es evidencia de causalidad. Pero a veces un experimento controlado es imposible, poco ético, poco práctico o ilegal. Entonces los científicos hacen al menos dos cosas:

1) Intente controlar tantos factores como sea posible y vea qué sucede con el tamaño del efecto de la relación entre la supuesta causa y el efecto

2) Busque mecanismos por los cuales una cosa pueda causar otra.

Por ejemplo, se observó la relación entre fumar y el cáncer de pulmón. Luego se siguieron los dos caminos anteriores. 1) La relación se mantiene fuerte cuando se controla la edad, el sexo, otros datos demográficos, la genética, etc. 2) El alquitrán / nicotina en el tabaco se acumula en los pulmones, etc.

Esta es la pregunta que estoy respondiendo:

Si la correlación no implica causalidad, ¿cómo pueden los científicos llegar a una conclusión sobre la causalidad?

Necesitamos demostrar la causalidad en la medicina, como señaló Robert J. Kolker , con pruebas de hipótesis estadísticas.

Esta es una carga que muchas otras ciencias no parecen preocupar demasiado: la economía es lo más visual para mí. Si no lo ha hecho, debe leer una publicación NBER que informa sobre lo que debería ser la política monetaria / fiscal de una nación y luego leer sobre un ensayo clínico en NEJM.org … Notará diferencias.

En medicina, tomamos un grupo de individuos que tienen la misma propensión a recibir un tratamiento, y luego ALEATORIZAMOS a los pacientes a uno de los dos grupos: el grupo de tratamiento o el grupo sin tratamiento (simulación o placebo), luego cegamos los médicos a la intervención lo mejor que podamos, por lo que incluso los médicos no saben si están administrando el tratamiento o no.

El resultado de esta asignación aleatoria significa que cualquier diferencia en el resultado entre el grupo de tratamiento y el grupo sin tratamiento DEBE dejarse solo al azar, y dado que el azar puede definirse, podemos determinar si la Intervención X causó o no el resultado Y en comparación con la posibilidad de que este resultado ocurra solo por casualidad.

Para una discusión más avanzada sobre este tema, ver: Inferencia causal de Hernan

La precaución sobre “la correlación que no implica causalidad” realmente llega al hecho de que hay muchas cosas que observamos que están correlacionadas que no están causalmente relacionadas.

Déjame darte un ejemplo algo tonto:

El calor hace que la comida se cocine. Si usa una estufa de gas, tiene una llama azul. Entonces, la apariencia del color azul se correlaciona con la cocción de sus alimentos. Sin embargo, nadie en su sano juicio piensa que esto hace que su comida se cocine. Es solo una correlación y, de hecho, si cambiaras a una estufa eléctrica, el azul desaparecería y sería reemplazado por un elemento calefactor rojo.

En general, para establecer la causalidad, debe descartar explicaciones alternativas, preferiblemente con un experimento manipulado, y tener una teoría significativa de por qué A (o A junto con otra cosa) causa B. Entonces, si aún no lo sabía, podría diseñar un experimento en el que los alimentos crudos estuvieran expuestos al color azul y descubrir que eso no importaba.

Además, en muchas áreas de investigación, el razonamiento bastante lineal “A causa B” realmente no se aplica. Considere situaciones que están en equilibrio, por ejemplo. ¿Qué causa qué?

La evidencia estadística es parte pero no el argumento probatorio total que establecería una relación causal.

A veces la correlación es causalidad! Si A (por ejemplo, tomar una píldora) se correlaciona con B (por ejemplo, volverse saludable) Y los individuos han sido ALEATORIZADOS a A, entonces puede concluir que A causa B.

¡La aleatorización es la clave!

De la misma manera que sacan conclusiones sobre cualquier cosa. Primero debe tener un modelo que pueda ser falsificado. Suponga que una teoría sugiere que dos variables, x e y, se correlacionan de cierta manera. Si toma una muestra de puntos de datos (x, y) y no se correlacionan de esta manera, entonces ha falsificado la teoría. Del mismo modo, si tiene una teoría que sugiere que no hay correlación entre las dos variables, y encuentra una correlación, esa correlación falsifica la teoría en cuestión.

Es por eso que tener un modelo, junto con la correlación, es tan importante.

Usted determina la causalidad, en la medida en que puede establecerse *, mediante pruebas. Mi único contexto para esto son los datos de la encuesta, y de esa manera en la escuela de posgrado, pero, con una encuesta bien diseñada, un conjunto de muestras lo suficientemente grande, y al aplicar la prueba adecuada, podría generar un número (el “coeficiente de correlación” Creo que se llama) que, si cae en un cierto rango, establece un vínculo causal estadísticamente significativo.

La dirección de la causalidad es algo que aún tienes que descubrir.

* Pondré una nota aquí para mencionar que la causalidad en sí misma es filosóficamente complicada, según Hume y sus seguidores.

Al eliminar las posibles causas del cambio de estado hasta que solo un factor único cause el cambio. Ese es todo el concepto de experimentos controlados. Si se puede demostrar repetidamente que la introducción de un factor único produce un cambio observado o deseado, se puede concluir razonablemente que es la causa. Si otros pueden reproducirlo en circunstancias similares, entonces se considera científicamente comprobado.

Mediante un experimento o aplicando los criterios de Bradford Hill.