Correlação e Causalidade: o Erro que Faz o Sorvete "Causar" Ataque de Tubarão

No verão, a venda de sorvete dispara. E os ataques de tubarão também. Se você colocar as duas séries lado a lado, elas sobem juntas, quase de mãos dadas. A conclusão parece óbvia: sorvete atrai tubarão.

Você já sentiu que tem algo errado aí. Ninguém vira jantar de tubarão por comer casquinha. Mas essa é exatamente a armadilha que derruba análise de dados todo dia, e o nome dela é confundir correlação com causalidade. Deixa eu te mostrar a diferença, porque ela separa uma análise que ajuda a empresa de uma que leva todo mundo para a decisão errada.

O que é correlação, na prática

Sempre que a gente fala de correlação, está olhando para duas variáveis ao mesmo tempo. A variável A e a variável B, na mesma pessoa ou no mesmo período. A pergunta é simples: quando uma se move, a outra se move junto?

O jeito mais direto de enxergar isso é um gráfico de dispersão. Cada ponto é uma observação. Imagine que você faz parte do time de censo de um país europeu e coletou peso e altura de cada habitante. Ao colocar peso em um eixo e altura no outro, aparece um padrão claro: quanto maior a altura, maior o peso. Faz sentido, é difícil imaginar alguém de 2,15 metros pesando 50 quilos. Quando um sobe e o outro sobe junto, você está diante de uma correlação positiva.

Só que olhar o gráfico e dizer "isso está muito correlacionado" é instinto, não é medida. Para medir, a gente usa o coeficiente de correlação de Pearson. Ele varia de -1 a 1, e a leitura é direta:

• Perto de 1: correlação positiva forte. Uma variável aumenta, a outra aumenta na mesma toada. No caso de peso e altura, dá algo como 0,85.
• Perto de -1: correlação negativa forte. Uma aumenta, a outra diminui. É o caso do preço de uma commodity subindo enquanto as vendas de uma metalúrgica caem.
• Perto de 0: correlação inexistente. As duas não têm relação aparente.

Com um número desses na mão, você deixa de depender do olho. Consegue comparar dezenas de pares de variáveis na sua base e ranquear quais andam mais juntas. É uma ferramenta poderosa para guiar o que investigar a seguir.

E é aqui que a maioria para. Calcula a correlação, vê um número alto e sai anunciando que descobriu a causa de alguma coisa. É o passo em falso mais comum da área.

Correlação não é causalidade

Guarde esta frase, porque ela vale por metade da carreira: correlação é duas variáveis andando juntas. Causalidade é uma variável provocando a outra. São coisas diferentes.

Volta no sorvete. No verão, sobe o consumo de sorvete e sobem os casos de insolação e de ataque de tubarão. Os três estão correlacionados, os números provam. Mas sorvete não causa insolação, e muito menos causa tubarão. Existe uma terceira variável escondida ali: o verão. Faz calor, mais gente vai à praia, mais gente toma sorvete, mais gente pega sol e mais gente entra no mar. O verão empurra tudo ao mesmo tempo. O sorvete é só um passageiro.

O mesmo vale para peso e altura. Eles são fortemente correlacionados, mas ninguém fica mais alto por engordar. O que existe é um terceiro fator, a genética, influenciando as duas coisas de fora. Essa terceira variável, a que mexe os pauzinhos por trás, é o que faz a correlação parecer causa quando não é.

Dois estudos reais que caíram nessa armadilha

Não é só exemplo de sala de aula. Gente séria já tropeçou nisso.

O vinho na Europa. Um estudo concluiu que consumo moderado de vinho estava associado a mais saúde do coração e mais longevidade. À primeira vista, animador. Só que, quando você olha de perto, comparava quem bebe vinho na região do Mediterrâneo com quem não bebe em outros lugares. As pessoas ali vivem mais, mas não por causa do vinho. É por causa da alimentação, do acesso à saúde, da renda, da qualidade de vida. A região era a terceira variável. O vinho pegou a carona.

Os bugs da Microsoft. Em um estudo interno, cruzaram quantos bugs e reclamações cada cliente abria com a probabilidade dele cancelar o produto. O resultado pareceu absurdo: quem mais reclamava era quem mais continuava cliente. Alguém desavisado concluiria que reclamação deixa o cliente feliz. Óbvio que não. A explicação é que quem abre chamado é o cliente fiel, aquele que usa muito o produto e está engajado. O engajamento era a terceira variável. Reclamar não segurava ninguém, mas os dois andavam juntos.

Percebe o padrão? Em toda armadilha de causalidade tem um terceiro fator não convidado sentado no meio da análise.

Como não cair nessa

A boa notícia é que dá para se proteger. Antes de transformar uma correlação em recomendação, faça três coisas.

Primeiro, procure a terceira variável. Sempre pergunte: existe algo lá fora que possa estar empurrando as duas ao mesmo tempo? No dia a dia como cientista de dados, é a pergunta que eu mais repito antes de fechar qualquer conclusão.

Segundo, segmente. Separe a base em grupos comparáveis. No caso do vinho, comparar bebedores e não bebedores da mesma região já derruba boa parte da ilusão.

Terceiro, e mais importante, entenda que para afirmar causa você precisa de um teste controlado, não de um gráfico bonito. É por isso que existe experimento e teste A/B: você muda uma coisa de propósito, mantém o resto igual, e mede o efeito. Sem isso, o máximo que você tem é uma pista, não uma prova.

Isso não diminui a correlação. Ela continua sendo uma das ferramentas mais úteis para você decidir onde olhar. Só não deixe ela decidir sozinha o que causou o quê.

No fim, a régua é simples. A correlação te dá a pista. A causalidade te dá a prova. Confundir as duas é a diferença entre um analista que a empresa confia e um que faz todo mundo perseguir tubarão por causa de sorvete.

Esse conteúdo foi desenvolvido na Live 128 da Escola de Dados Preditiva, com o professor Giovane Carvalho. Assista à aula completa no canal do YouTube: youtube.com/@preditiva