Distinguir se dois factos estão ou não associados por uma relação de causa pode ser bem difícil. Mas matemáticos da Universidade de Amsterdão descobriram finalmente como distinguir uma correlação de uma causação. Será que tal descoberta é causa de celebração?
Imagine a planície de uma cidade pequena. Todos os dias os moinhos de vento giram, o vento sopra, e o pó levanta. E as coisas permanecem assim durante mais algum tempo: os moinhos de vendo rodam, e o vento sopra. Até que finalmente, como as pessoas são lógicas, chegaram à decisão de que já havia vento suficiente e puseram fim a todos os moinhos.
Para nós é fácil contarmos que os habitantes desta cidade imaginária estavam errados e que eram uns tolos, porque é o vento que faz girar os moinhos de vento e não o contrário.
Mas existem muitos exemplos do quotidiano que ajudam a perceber a dificuldade que há na distinção entre correlação e causação. Um estudo feito em 1999 concluiu que uma criança ficou míope depois de dormir com uma lanterna. Mais tarde demonstrou-se que a conclusão era falsa: e que na verdade a miopia é genética, e que os pais míopes colocam com mais frequência luzes noturnas nos quartos dos seus filhos.
Outro bom exemplo refere-se ao colesterol HDL conhecido por ser o colesterol bom, por norma associado a menores taxas de doenças cardiovasculares. Mas a medicação para doenças cardíacas que fazem aumentar o colesterol HDL não são eficazes. E porquê? Ora, acontece que o facto de o HDL ser um subproduto de um coração saudável não significa que cause saúde ao coração.
As correlações são abundantes e fáceis de encontrar, mas são inconclusivas. Já as relações causais são firmes e incontestáveis, e alinham de uma forma mais convincente na maneira natural de se pensar nas coisas. Encontrar correlações é fácil. Na verdade, existe um projeto que se denomina por Supurios Correlation - correlação espúria, que busca automaticamente correlações a partir de dados públicos, mesmo que não façam sentido.
Em contraste determinar as relações causais é uma tarefa mais difícil. Mas uma nova plataforma veio trazer a promessa de contrariar esta dificuldade. A intuição básica que está por de trás do método demonstrado pelo Professor Joris Mooji e seus coautores da Universidade de Amesterdão é surpreendentemente simples: se um evento influencia outro, então o ruído aleatório no invento em causa será refletido no caso que afeta.
Como por exemplo, suponha que está a tentar determinar a relação entre a quantidade de tráfego na estrada e o tempo que o João leva a chegar ao trabalho. Mas o tempo que o João demora a passar pela estrada para chegar ao trabalho vai flutuar de forma aleatória: porque por vezes o João vai encontrar sinais vermelhos logo ao virar da esquina e com isso perderá, sensivelmente mais cinco minutos, ou até pode encontrar mau tempo, que o vai fazer abrandar.
Mas o conceito chave é que a flutuação do trafego vai afetar o tempo que o João demora a percorrer a sua trajetória, enquanto que a flutuação da condução do João não vai interferir no fluxo de tráfego. Ao verificar os resíduos da flutuação no tráfego presentes na viagem do João pode-se mostrar que são as causas do tráfego, que causam mudança do tempo médio do percurso do João, e não o contrário.
Ainda assim, este método não é uma bala de prata. Como qualquer teste estatístico, não funciona a 100% e só pode lidar com os cenários mais básicos da causa e efeito. Num período de três eventos - como a correlação do consumo de gelados com a morte por afogamento porque ambos estão dependentes do tempo quente - esta técnica vacilar.
Independentemente de tudo, este é um passo importante no campo da estatística que acaba muitas vezes por ser desconcertante. E isto é causa – sim, causa – de celebração.