estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/correlacion-y-causalidad
Correlación no implica causalidad
Las cinco explicaciones posibles de una asociación, qué hace falta para afirmar una causa y por qué la frase se repite tanto y se aplica tan poco.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · Las cinco explicaciones de una asociación
Cuando e están asociadas, hay cinco explicaciones posibles y la Estadística bivariada no puede distinguirlas:

1. causa . Lo que se suele suponer.
2. causa . Causalidad inversa.
3. Una tercera variable causa las dos. Confusión. Puede incluso invertir el signo de la asociación: es la paradoja de Simpson.
4. Se causan mutuamente. Retroalimentación.
5. Azar, sesgo de selección o un artefacto del diseño.
2 · El ejemplo del sitio
Horas trabajadas e ingreso mensual correlacionan 0,249. Las cinco lecturas:
| Explicación | Versión concreta |
|---|---|
| Directa | trabajar más horas produce más ingreso |
| Inversa | quien necesita más ingreso sale a trabajar más horas |
| Confusión | el tipo de ocupación determina a la vez las horas y la paga |
| Mutua | las dos anteriores operan juntas |
| Artefacto | ambas se declaran en la misma entrevista, con errores correlacionados |
Los mismos datos permiten descartar algunas lecturas, aunque no elegir una. El ingreso por hora correlaciona −0,176 con las horas: quien trabaja jornadas largas gana menos por hora. Eso dice tres cosas:
- No descarta la lectura directa, pero sí su versión ingenua. Más horas siguen yendo con más ingreso mensual (), pero el ingreso crece menos que en proporción: si cada hora se pagara igual, el ingreso por hora no bajaría.
- La ocupación no alcanza para explicarlo. Dentro de 88 grupos de ocupaciones parecidas —mismo carácter ocupacional, calificación y categoría— la correlación de las horas con el logaritmo del ingreso por hora no desaparece: es todavía más negativa, −0,29.
- Parte puede ser un artefacto. Las horas están en el denominador del ingreso por hora, y se declaran con error. Con un salario por hora simulado independiente de las horas y un 20 % de error en las horas declaradas, la correlación ya da −0,07 sin que haya ninguna relación real.
Quedan abiertas varias explicaciones a la vez: quien gana poco por hora trabaja más para llegar a fin de mes —ahí la causa es el salario horario, una tercera variable, más que el ingreso mensual—; las jornadas parciales suelen pagar más por hora; y el error de medición de las horas.
3 · Los ejemplos que lo dejan claro
| Asociación real | Por qué |
|---|---|
| Ventas de helado y ahogamientos | las dos suben con el calor |
| Tamaño del pie y habilidad lectora en chicos | las dos crecen con la edad |
| Cantidad de bomberos y daño de un incendio | los dos crecen con la magnitud del fuego |
| Uso de encendedores y cáncer de pulmón | el fumar causa las dos cosas |
En todos hay una tercera variable, y en ninguno intervenir sobre la primera produciría el efecto que sugiere la asociación: prohibir el helado no evita ahogamientos, y mandar menos bomberos no achica el daño —lo agranda—.
4 · Qué haría falta para afirmar una causa
Los nueve criterios de Bradford Hill (1965) siguen siendo la referencia. Él los llamó “puntos de vista”, no criterios, justamente para que no se usaran como lista de control:
| Criterio | Qué pide |
|---|---|
| Temporalidad | la causa tiene que preceder al efecto. El único imprescindible |
| Fuerza | asociaciones fuertes son más difíciles de explicar por confusión |
| Gradiente | a más dosis, más efecto |
| Consistencia | se repite en distintas poblaciones y diseños |
| Plausibilidad | hay un mecanismo que lo explique |
| Coherencia | no choca con lo que se sabe de la enfermedad o el fenómeno |
| Experimento | al intervenir, el efecto cambia |
| Analogía | causas parecidas producen efectos parecidos |
| Especificidad | la causa produce ese efecto y no cualquiera |
5 · Qué diseño permite qué
| Diseño | Qué permite concluir |
|---|---|
| Transversal | asociación |
| Cohorte | asociación con orden temporal |
| Casos y controles | asociación, con riesgo de sesgos |
| Observacional con control estadístico | asociación ajustada por lo medido |
| Cuasi-experimental | efecto, bajo supuestos explícitos |
| Experimento aleatorizado | causalidad |
El control estadístico ajusta solo por las variables medidas. Siempre queda la posibilidad de confusión residual, y por eso los estudios observacionales bien hechos escriben “se asocia con”, no “causa”.
6 · Controlar no siempre mejora
Hay una idea muy extendida y falsa: que agregar controles a un modelo siempre lo mejora. Ajustar por la variable equivocada puede crear una asociación que no existe, y saber cuál es cuál no sale de los datos sino del conocimiento del tema.
La herramienta para pensarlo son los diagramas causales: dibujar las variables con flechas que indican qué causa qué, y recién ahí decidir qué se controla.
| Tipo de variable | Dónde está | Qué pasa si se controla |
|---|---|---|
| Confusora | Causa las dos | Hay que controlarla: sin eso, la asociación está contaminada |
| Mediadora | Está en el camino entre causa y efecto | Se tapa el efecto que se quería medir |
| Colisionadora | Es consecuencia de las dos | Se inventa una asociación entre variables independientes, o se distorsiona la que hay |
El caso del colisionador es el menos intuitivo y aparece más de lo que parece. El ejemplo clásico es la paradoja de Berkson (1946): entre pacientes internados, dos enfermedades sin ninguna relación en la población general aparecen asociadas negativamente. Cada una alcanza para estar internado, así que entre los internados, quien no tiene una probablemente tiene la otra: por algo está ahí. La asociación la creó el filtro —la internación—, que es consecuencia de ambas. Lo mismo pasa cada vez que se analiza un grupo seleccionado por una combinación de las variables que se están estudiando.
7 · Cómo redactarlo sin mentir
| En vez de | Escribir |
|---|---|
| “el nivel educativo mejora el acceso al empleo registrado” | “se asocia con una mayor proporción de empleo registrado” |
| “trabajar más horas aumenta el ingreso” | “las horas trabajadas y el ingreso se asocian positivamente” |
| “el programa redujo la deserción” | “los participantes presentaron menor deserción que los no participantes” |
Los verbos causales no están prohibidos: con un experimento aleatorizado, o un diseño cuasi-experimental cuyos supuestos se discuten, “el programa redujo la deserción” es la frase correcta. Lo que se evita es usarlos cuando el diseño no los respalda.
8 · El otro error, menos comentado
Tan equivocado como inferir causalidad de una correlación es negar la causalidad porque no hay experimento.
Nadie hizo nunca un ensayo aleatorizado que asignara a personas a fumar durante treinta años, y sin embargo la relación entre tabaco y cáncer de pulmón está establecida. Se llegó a eso por acumulación: consistencia entre decenas de estudios, gradiente dosis-respuesta, temporalidad, mecanismo biológico y experimentos en animales.
9 · Errores frecuentes
- Usar verbos causales con datos observacionales.
- Suponer la dirección obvia sin evaluar la inversa.
- No pensar qué tercera variable podría explicar las dos.
- Creer que controlar estadísticamente equivale a aleatorizar.
- Controlar por todo lo que haya en la base. Ajustar por un mediador o por un colisionador empeora el resultado en vez de mejorarlo.
- Analizar un subgrupo seleccionado por una consecuencia de las variables en estudio.
- Concluir causalidad porque el valor p es muy chico. La significación no agrega nada a este problema.
- Recomendar una intervención a partir de una asociación observacional.
- Descartar toda inferencia causal por no tener un experimento.
Referencias
- Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. https://doi.org/10.1177/003591576505800503
- Berkson, J. (1946). Limitations of the application of fourfold table analysis to hospital data. Biometrics Bulletin, 2(3), 47–53. https://doi.org/10.2307/3002000
Todas las obras que cita el sitio están en la bibliografía.
Herramientas de este tema
- SimuladorLa paradoja de Simpson
Seguir leyendo
Bioestadística · Fundamentos y descripción · 60 de 330
Estadística para Economía y Administración · Fundamentos y descripción · 59 de 318
Probabilidad y Estadística · Fundamentos y descripción · 60 de 302
Estadística para Ciencias Sociales · Fundamentos y descripción · 57 de 288
Estadística para la tesis · Los datos · 110 de 233
Cómo citar: Montivero, J. L. (2026). Correlación no implica causalidad. estadistica.ar. https://estadistica.ar/conceptos/correlacion-y-causalidad
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). Correlación no implica causalidad. estadistica.ar. https://estadistica.ar/conceptos/correlacion-y-causalidad
BibTeX
@misc{estadistica_ar_correlacion_y_causalidad,
author = {Montivero, Jorge Luis},
title = {{Correlación no implica causalidad}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/correlacion-y-causalidad}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-10}
}Última actualización: 10 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.