No, una correlación no es una causalidad. Una correlación indica que dos variables varían juntas; no dice cuál produce a cuál, ni si alguna produce a la otra. La misma correlación puede explicarse por azar, por causalidad inversa, por una tercera variable que influye sobre ambas o por cómo se armó la muestra. Para afirmar causa hacen falta un diseño y un argumento adicionales.
Es la corrección más frecuente en las devoluciones de un capítulo de resultados y casi siempre aparece por una sola palabra mal elegida. Escribiste «el uso del celular disminuye el rendimiento académico» cuando tus datos solo permiten decir que ambas cosas se mueven juntas. El análisis está bien; la oración, no.
Acá va la respuesta completa: qué es exactamente una correlación, las cuatro explicaciones que tenés que descartar antes de pensar en causa, qué diseños sí habilitan una afirmación causal y —lo más práctico— la lista de verbos que podés usar sin que te lo marquen.
Qué dice, exactamente, una correlación
Un coeficiente de correlación —normalmente la r de Pearson o la rho de Spearman— resume dos cosas y solo dos:
- La dirección. Si es positiva, cuando una variable sube la otra también tiende a subir. Si es negativa, se mueven en sentidos opuestos.
- La fuerza. Cuánto se acercan los datos a una relación lineal perfecta, en una escala de −1 a +1.
Eso es todo. La correlación es simétrica: la correlación entre X e Y es idéntica a la correlación entre Y y X. Un número que no distingue el orden de las variables no puede, por construcción, informar qué produjo qué.
Un detalle que sorprende: el coeficiente tampoco distingue entre una relación importante y una trivial. La significación de esa r depende además del tamaño de la muestra, un punto que se desarrolla en la guía sobre el p-valor y la significancia estadística.
Las cuatro explicaciones alternativas
Cada vez que encuentres una correlación entre X e Y, hay cinco escenarios posibles y solo uno es «X causa Y». Antes de escribir una conclusión, pasá los otros cuatro por la cabeza.
1. Azar
Con suficientes variables medidas, algunas van a correlacionar por casualidad. Si corriste una matriz de correlaciones con quince variables, hiciste más de cien comparaciones: esperar alguna «significativa» sin ningún efecto real es lo normal, no la excepción.
2. Causalidad inversa
Puede que Y cause X y no al revés. El ejemplo clásico en tesinas de educación: se encuentra que quienes participan más en clase tienen mejores notas. ¿Participar mejora el rendimiento, o entender la materia hace que te animes a participar? Los mismos datos son compatibles con las dos lecturas.
3. Una tercera variable (confusión)
Es la explicación más habitual y la más difícil de ver. Existe una variable Z que influye sobre X y sobre Y al mismo tiempo, y produce la correlación sin que exista ningún vínculo directo entre ellas. Un ejemplo argentino: en un relevamiento se observa que los estudiantes que compran más libros de texto tienen mejores calificaciones. Es plausible que el nivel socioeconómico del hogar esté detrás de las dos cosas.
4. Sesgo de selección
La correlación puede estar creada por cómo conseguiste la muestra. Si encuestás únicamente a estudiantes que llegaron al último año, ya excluiste a quienes abandonaron: cualquier relación que estimes vale para los que quedaron, no para la población que te interesaba.
Correlaciones espurias: el caso de las series temporales
Hay una fuente de correlaciones falsas que aparece muchísimo en tesinas de economía, administración y ciencia política: dos series que crecen con el tiempo correlacionan entre sí aunque no tengan nada que ver.
El consumo eléctrico nacional, la matrícula universitaria y el parque automotor pueden subir todos durante una misma década. Correlacionar dos de ellos va a dar un número altísimo, y el único responsable es la tendencia compartida.
Si trabajás con series de tiempo, decilo en la metodología y tomá al menos una de estas precauciones: trabajar con variaciones en lugar de niveles, incluir el tiempo como control, o usar técnicas específicas para datos temporales. Y en cualquier caso, no presentes la correlación cruda como hallazgo.
Qué diseños sí permiten hablar de causa
| Diseño | ¿Habilita afirmar causa? | Por qué |
|---|---|---|
| Experimental con asignación aleatoria | Sí, dentro de sus límites | La aleatorización reparte las variables de confusión —incluidas las que no mediste— entre los grupos. |
| Cuasi-experimental (grupo control no aleatorio) | Parcialmente | Hay comparación y manipulación, pero los grupos pueden diferir de entrada. |
| Longitudinal / panel | Parcialmente | Establece el orden temporal, que es condición necesaria. No elimina la confusión. |
| Transversal correlacional | No | Todo se mide en un mismo momento: no hay orden temporal ni manipulación. |
| Estudio de caso | No en sentido estadístico | Puede reconstruir un mecanismo en profundidad, pero no generaliza como inferencia causal. |
Si no tenés claro en cuál cae tu trabajo, conviene repasar la clasificación de tipos de investigación por alcance y diseño antes de redactar las conclusiones: la mitad del problema se resuelve nombrando bien el diseño.
Una advertencia sobre la regresión múltiple
Controlar variables ayuda, pero solo descarta las confusiones que mediste. Un modelo con seis controles sigue siendo vulnerable a la séptima variable que no está en la base. Por eso, incluso al correr una regresión lineal múltiple, lo que estás estimando sobre datos observacionales es una asociación condicional, no un efecto causal.
Los criterios que acercan una asociación a una explicación causal
En 1965 el epidemiólogo Austin Bradford Hill propuso un conjunto de aspectos a considerar antes de tratar una asociación como causal. No son una lista de verificación con puntaje: el propio Hill aclaró que ninguno de ellos, con la posible excepción de la temporalidad, es indispensable ni suficiente por sí mismo. Los más útiles para una tesina:
- Temporalidad. La causa tiene que preceder al efecto. Es el único requisito que no se puede negociar.
- Fuerza de la asociación. Una asociación grande es más difícil de explicar íntegramente por una confusión menor.
- Gradiente dosis-respuesta. Si a más exposición corresponde más efecto, la explicación causal gana verosimilitud.
- Consistencia. El mismo resultado aparece en otros contextos, poblaciones y métodos.
- Plausibilidad y coherencia. Existe un mecanismo teórico que explique el vínculo y no contradice lo que ya se sabe.
Usarlos bien en el capítulo de discusión —«la asociación observada es consistente con estudios previos y presenta un gradiente, aunque el diseño transversal impide establecer temporalidad»— es de las cosas que más eleva una tesina de grado.
La tabla de verbos: qué podés escribir y qué no
Esta es la parte que resuelve el 90 % del problema en la práctica.
| Podés escribir | Evitá escribir |
|---|---|
| se asocia con | causa |
| se relaciona con | provoca |
| varía junto con | genera |
| predice (en sentido estadístico) | determina |
| es más frecuente entre | produce |
| se observó una asociación positiva | demuestra que |
| los datos son consistentes con | comprueba que |
| sugiere que podría existir | el efecto de X sobre Y |
Dos aclaraciones sobre la columna izquierda. «Predice» es aceptable en su sentido técnico —el modelo estima Y a partir de X— pero conviene aclararlo la primera vez para que no se lea como una predicción del futuro. Y «efecto» es una palabra a usar con cuidado: aparece legítimamente en «tamaño del efecto», que es un término estadístico, y no en «el efecto de X sobre Y», que es una afirmación causal.
Si tu tesina es correlacional (y probablemente lo sea)
La abrumadora mayoría de las tesinas de grado en Argentina son transversales y correlacionales: se hace una encuesta, se mide todo el mismo mes y se buscan relaciones. Eso está perfectamente bien y se aprueba todos los días. Lo que hay que hacer es ser coherente:
- Declaralo en la metodología. «Diseño no experimental, transversal, de alcance correlacional» es una oración que te protege todo el resto del trabajo.
- Escribí las conclusiones en el mismo registro. Si el diseño es correlacional, la conclusión no puede ser causal. Es la incoherencia que el jurado detecta primero.
- Nombrá las confusiones que no pudiste controlar. Hacerlo en limitaciones no debilita el trabajo: muestra que entendiste tu propio diseño.
- Proponé el diseño que sí respondería la pregunta causal. Es la mejor sección de «futuras líneas de investigación» que podés escribir, y sale gratis.
Preguntas relacionadas
¿Puedo decir que una variable influye en otra si la correlación es muy fuerte?
No. La fuerza no cambia la naturaleza del dato: un r de 0,90 sigue siendo asociación. Una correlación fuerte hace más interesante buscar el mecanismo, pero no lo demuestra.
¿Mi tesina vale menos si es correlacional?
No. Se evalúa la coherencia entre pregunta, diseño y conclusiones, no si lograste demostrar una causa. Una tesina correlacional bien escrita supera a una experimental mal argumentada.
¿Y si mi hipótesis estaba planteada en términos causales?
Podés mantener la hipótesis teórica y aclarar que el diseño permite contrastarla solo parcialmente. Sobre cómo se formulan y se distinguen los tipos de hipótesis, incluida la causal, está la guía de hipótesis de investigación.
¿Una regresión múltiple demuestra causalidad?
No por sí sola. Controlar variables reduce algunas explicaciones alternativas, pero solo las que mediste. Sobre datos observacionales, una regresión sigue mostrando asociación condicional.
¿Dónde corro la correlación?
En SPSS es Analizar > Correlaciones > Bivariadas; el tutorial de análisis de datos en SPSS tiene el paso a paso y cómo exportar la matriz en formato APA.
Una palabra, no un análisis
La distinción entre correlación y causalidad casi nunca se pierde en el análisis: se pierde en la redacción. El cálculo está bien hecho y la conclusión promete más de lo que el diseño puede sostener. Revisar los verbos del capítulo de conclusiones con la tabla de arriba al lado lleva veinte minutos y evita la devolución más previsible de todas.
Si estás en esa etapa y querés que la redacción acompañe al diseño, podés escribir tu tesina con Tesify: te ayuda a ordenar el argumento y a dejar las citas en APA 7, y tiene plan gratuito para que lo pruebes con tu propio borrador.