Relações espúrias
Quando a correlação é puro acaso
Conceito fundamental
A terceira ameaça
Além do viés (erro sistemático introduzido pelo pesquisador) e do confundimento (distorção pela estrutura causal do mundo), há uma terceira ameaça à interpretação de associações: o acaso. Em amostras grandes ou em análises com muitas variáveis, algumas correlações aparecem apenas por sorte, sem nenhum mecanismo causal por trás. Essas associações são chamadas de relações espúrias.
Relação espúria
Associação estatística observada entre duas variáveis que não reflete nenhuma relação causal entre elas. Ocorre por acaso (erro aleatório), por viés ou por confundimento.
Por que isso importa
Numa análise honesta com 20 testes de hipótese ao nível α = 0,05, espera-se em média um resultado falso-positivo apenas por acaso — mesmo que nenhuma associação real exista na população. Em estudos exploratórios com centenas de variáveis (genômicos, big data, “p hacking”), a inflação do erro tipo I é dramática.
Alguns exemplos de correlações estatisticamente significantes, mas espúrias:
- O número de filmes com Nicolas Cage por ano correlaciona-se com o número de afogamentos em piscinas nos EUA.
- O consumo per capita de queijo correlaciona-se com mortes por enrolamento em lençóis.
- O número de doutorados em engenharia civil por ano correlaciona-se com o consumo per capita de queijo mozzarella.
Essas correlações são reais (no sentido estatístico), mas obviamente não significam nada — não há mecanismo causal nem confundidor comum plausível.
Como diferenciar uma associação verdadeira de uma espúria
A pergunta correta não é se o p é significativo, mas se existe um mecanismo causal plausível. A epidemiologia clássica usa para isso um conjunto de critérios, conhecidos como critérios de Hill (1):
| Critério | Pergunta |
|---|---|
| Força | A associação é forte? |
| Consistência | Foi replicada em diferentes populações? |
| Especificidade | A exposição causa um desfecho específico? |
| Temporalidade | A exposição precedeu o desfecho? |
| Gradiente biológico | Mais exposição = mais desfecho? |
| Plausibilidade | Existe mecanismo biológico conhecido? |
| Coerência | Bate com o conhecimento prévio? |
| Experimento | Há evidência experimental? |
| Analogia | Há casos análogos conhecidos? |
A temporalidade é o único critério rigorosamente necessário: a causa precisa preceder o efeito. Os demais ajudam a julgar se vale acreditar na associação.
Acaso, viés e confundimento — três distorções, três soluções
Acaso
Solução: estatística. Aumentar amostra, ajustar para múltiplos testes, replicar em estudos independentes.
Viés
Solução: prevenção no desenho. Amostragem representativa, instrumentos validados, cegamento.
Confundimento
Solução: mensurar e ajustar. Estratificação, regressão multivariada, randomização, DAGs.
Antes de aceitar qualquer associação reportada num estudo, pergunte-se se ela pode ser acaso (olhe o intervalo de confiança e o tamanho amostral), se pode ser viés (olhe o desenho, a amostragem, os instrumentos) e se pode ser confundimento (procure terceiras variáveis plausivelmente associadas a exposição e desfecho). Só depois de excluir as três a hipótese causal merece consideração. ## Veja também
- Erro sistemático & erro aleatório
- Viés vs. fatores de confusão ## Referências
Os critérios de Hill (1) permanecem o pilar do raciocínio causal observacional. A abordagem contemporânea de inferência causal — com DAGs, contrafactuais e ajuste estrutural — está em Pearl (2) e Hernán & Robins (3). Para uma discussão acessível em português, ver Rouquayrol & Silva (4) e Medronho et al. (5).