¿Por qué un patrón claro en sus datos no demuestra una causa?
Un patrón marcado no demuestra una causa, porque el mismo patrón puede aparecer cuando un tercer factor influye en ambas cifras, cuando la causalidad opera en sentido inverso o cuando la coincidencia es casual. Una correlación mide hasta qué punto dos variables cambian juntas; no dice nada sobre el motivo.
Considere una cadena ficticia de artículos para el hogar con 30 tiendas, Larkfield Home. La responsable comercial, Priya, está revisando el último trimestre. Ocho tiendas realizaron demostraciones de utensilios de cocina los fines de semana y 22 no lo hicieron. Los datos exportados dicen: 'Tiendas con demostraciones: ventas semanales medias de 41,200. Tiendas sin demostraciones: 34,900. Diferencia: +18%. Nota: los responsables de zona eligieron las tiendas para las demostraciones. Las demostraciones se realizaron principalmente de noviembre a diciembre. Entre las tiendas con demostraciones hay 5 de nuestros 6 establecimientos más grandes.' Un asistente de IA que resumió la hoja escribió: 'Las demostraciones de utensilios de cocina generan un aumento del 18% en las ventas semanales. Extenderlas a todas las tiendas debería aumentar los ingresos.' El consejo de administración quiere aprobar la ampliación el lunes.
| Grupo de tiendas | Tiendas | Ventas semanales promedio | Sitios más grandes incluidos | Meses en los que se realizaron demostraciones |
|---|---|---|---|---|
| Tiendas de demostración | 8 | 41,200 | 5 de 6 | Principalmente noviembre y diciembre |
| Tiendas que no son de demostración | 22 | 34,900 | 1 de 6 | Ninguno |
¿Cómo se comprueba si una correlación implica causalidad?
Ponga a prueba una correlación descartando las tres explicaciones alternativas una por una y después, cuando sea posible, realice una comparación en igualdad de condiciones en la que solo cambie la supuesta causa. Cada paso que aparece a continuación es una pregunta que debe hacer a los datos antes de que alguien gaste dinero.
1. Busque un factor de confusión
Un factor de confusión es un tercer factor que afecta a las dos cosas que se comparan. En Larkfield, el tamaño de la tienda y la época del año son posibles factores de confusión: las tiendas grandes venden más de por sí, y noviembre y diciembre son meses de mucha actividad para la venta de utensilios de cocina. Pregúntese qué otras diferencias hay entre los dos grupos.
2. Compruebe la dirección
La causalidad inversa significa que el efecto es, en realidad, lo que provoca la supuesta causa. Si los responsables de zona hicieron demostraciones en tiendas que ya vendían bien, el aumento de las ventas dio lugar a las demostraciones, y no al revés. Pregunte cómo se eligieron los grupos.
3. Tenga en cuenta el azar
Con ocho tiendas y un trimestre, puede aparecer una diferencia por azar, sobre todo si alguien examinó muchas promociones e informó solo de la que destacó. Pregunte cuántas comparaciones se hicieron y si el patrón se mantiene en otro período.
4. Compare elementos equivalentes
Compare las tiendas con demostraciones con otras similares sin demostraciones durante las mismas semanas: grandes con grandes y pequeñas con pequeñas. Si la mayor parte de la diferencia desaparece, el efecto se debía a los factores de confusión.
5. Realice un experimento
La prueba más sólida es un ensayo controlado: seleccione tiendas comparables, asigne demostraciones al azar a la mitad de ellas durante las mismas semanas y compare. La asignación aleatoria distribuye de forma equilibrada el tamaño, la ubicación y el historial de ventas, por lo que es mucho más probable que cualquier diferencia restante se deba a la demostración.
¿Cómo se comparan una interpretación deficiente y una mejorada de los datos de Larkfield?
La interpretación poco rigurosa acepta sin cuestionar el resumen de la IA: 'Las demostraciones aumentan las ventas un 18%, así que hágalas en todas las tiendas.' Convierte una diferencia observada entre dos grupos que difieren en tamaño, temporada y selección en una promesa sobre lo que ocurrirá en otras 22 tiendas.
La interpretación mejorada dice: 'Las tiendas con demostraciones vendieron un 18% más por semana, pero en su mayoría eran nuestros locales más grandes, realizaron las demostraciones en nuestros dos meses de mayor actividad y fueron elegidas por los responsables de zona. Al comparar las cinco tiendas grandes con demostraciones con tiendas grandes sin demostraciones durante las mismas semanas, la diferencia es de aproximadamente un 4%, dentro de la variación semanal normal. Aún no podemos determinar si las demostraciones ayudan. Propuesta: una prueba de seis semanas en 12 tiendas medianas comparables, con seis elegidas al azar para realizar demostraciones, midiendo las ventas de utensilios de cocina y las horas de trabajo del personal.' Esa versión comunica al consejo directivo qué se sabe, qué no se sabe y cómo averiguarlo, a costa de un mes de demora.
¿Cómo pueden los resúmenes de IA inducirle a error con las correlaciones?
Los resúmenes de IA suelen inducir a error al describir una correlación con expresiones causales como 'impulsa', 'conduce a', 'potencia' o 'debido a', lo que hace que un patrón parezca un efecto demostrado. Un modelo de lenguaje redacta explicaciones fluidas sobre las cifras; no sabe cómo se eligieron las tiendas a menos que usted se lo diga, y rara vez advierte por iniciativa propia que no puede distinguir una causa de una coincidencia.
Puede reducir este problema si proporciona al asistente el contexto que le falta (cómo se seleccionaron los grupos, las fechas, el tamaño de la muestra) y le pide que separe lo que muestran los datos de las posibles explicaciones. Después, revise el resultado para detectar verbos que impliquen causalidad y sustituya cada uno por lo que realmente se observó, por ejemplo, 'las tiendas que hicieron demostraciones también registraron más ventas'.
¿Cómo se verifica una afirmación de causalidad antes de actuar basándose en ella?
Compruebe una afirmación causal preguntando cómo se eligieron los grupos, si la causa precedió al efecto en ambos grupos, si la diferencia se mantiene en otro período o con una muestra más grande y si el resumen dice 'asociado con' cuando las pruebas solo muestran una correlación. Escriba las respuestas junto a la afirmación antes de que alguien apruebe el gasto.
¿Cuáles son los errores habituales con la correlación y la causalidad?
El error más común es implementar un cambio porque un panel mostró una diferencia, sin preguntar cómo se formaron los grupos. Otros: tratar un coeficiente de correlación alto como una prueba, informar de la única promoción de entre veinte que dio buenos resultados, olvidar la estacionalidad y suponer que la ausencia de correlación significa que no hay efecto. El error contrario también cuesta dinero: negarse a actuar hasta tener certeza absoluta, cuando un pequeño ensayo aleatorizado suele ser económico.
¿Dónde se sitúa esta lección en Tosheo.ai?
Esta lección forma parte de la categoría de ciencia y análisis de datos y aparece al principio del curso de ciencia de datos, porque todos los temas posteriores, desde los paneles de indicadores hasta el aprendizaje automático, dependen de no confundir un patrón con una causa. En Tosheo.ai, la tarea práctica le presenta un conjunto de datos ficticio y un resumen redactado por IA, y los comentarios basados en la guía de evaluación señalan cada afirmación causal que los datos no pueden respaldar. Ofrece una base profesional, no es una titulación en estadística.
Fuentes y alcance
Oficina Australiana de Estadística: correlación y causalidad (consultado el 19 de octubre de 2026) ↗