DEV Community

Roberto Vinicius da silva
Roberto Vinicius da silva

Posted on

Correlação e Causalidade: Como elas são importantes na nossa análise

Image description
Entender a diferença entre correlação e causalidade é fundamental na análise de dados, pois esses conceitos, embora relacionados, não são sinônimos. Confundir correlação com causalidade pode levar a interpretações incorretas e decisões inadequadas.

Correlação

A correlação refere-se a uma relação estatística entre duas variáveis (análise bidimensional), indicando que mudanças em uma estão associadas a mudanças na outra. As correlações podem ser positivas/negativas, onde ambas as variáveis aumentam ou diminuem juntas, onde uma variável aumenta enquanto a outra diminui. No entanto, a correlação não implica que uma variável cause a outra necessariamente.

Causalidade

Causalidade, implica uma relação de causa e efeito, onde uma mudança em uma variável resulta diretamente em uma mudança em outra. Para estabelecer causalidade, é necessário realizar experimentos controlados que eliminem outras variáveis que possam interferir na relação observada, quando não analisamos

Por que é importante saber a diferença entre elas?

Distinguir correlação de causalidade é crucial para evitar conclusões precipitadas. Um erro comum é assumir que, se duas variáveis estão correlacionadas, uma deve causar a outra. Essa conclusão precipitada é conhecida como “correlação espúria.”

A seguir, apresentamos alguns exemplos de correlação espúria, onde há uma correlação entre as variáveis, mas não necessariamente uma causa a outra.

  • Acesso a internet entre os cidadãos americanos se correlaciona com o uso de energia solar em Honduras

Image description

  • Precipitação em São Francisco se correlaciona com o número de operadores de impressoras em Rhode Island

Image description

Conclusões:

  • Se 2 variáveis estão correlacionadas , pode ou não haver causalidade;

  • Se houver correlação e não houver causalidade entre essas 2 variáveis, possivelmente há uma 3ª variável que não foi observada;

  • Busque fortes evidências para assumir a causalidade;

Top comments (0)