La frase "correlación no implica causalidad" se refiere a la incapacidad de deducir legítimamente una relación de causa y efecto entre dos eventos o variables únicamente sobre la base de una asociación o correlación observada entre ellos. [1] [2] La idea de que "la correlación implica causalidad" es un ejemplo de una falacia lógica de causa cuestionable , en la que se considera que dos eventos que ocurren juntos han establecido una relación de causa y efecto. Esta falacia también se conoce con la frase latina cum hoc ergo propter hoc ('con esto, por lo tanto debido a esto'). Esto difiere de la falacia conocida como post hoc ergo propter hoc( "después de esto, por lo tanto, debido a esto"), en el que un evento después de otro se ve como una consecuencia necesaria de la antigua evento, y de fusión , el errante fusión de dos eventos, ideas, bases de datos, etc., en una sola.
Como ocurre con cualquier falacia lógica, identificar que el razonamiento detrás de un argumento es defectuoso no implica necesariamente que la conclusión resultante sea falsa. Se han propuesto métodos estadísticos que utilizan la correlación como base para las pruebas de hipótesis de causalidad, incluida la prueba de causalidad de Granger y el mapeo cruzado convergente .
Uso
En lógica , el uso técnico de la palabra "implica" significa "es una condición suficiente para". [3] Este es el significado que pretenden los estadísticos cuando dicen que la causalidad no es segura. De hecho, p implica que q tiene el significado técnico del condicional material : si p entonces q simbolizado como p → q . Es decir, "si la circunstancia p es verdadera, entonces se sigue q ". En este sentido, siempre es correcto decir "correlación no implica causalidad". En el uso casual, la palabra "implica" vagamente significa sugiere más que requiere .
Donde hay causalidad, hay correlación, pero también una secuencia en el tiempo de causa a efecto, un mecanismo plausible y, a veces, causas comunes e intermedias. Si bien la correlación se utiliza a menudo al inferir la causalidad porque es una condición necesaria, no es una condición suficiente.
En un ejemplo ampliamente estudiado de las dificultades que plantea esta posibilidad de esta falacia estadística para decidir la causa, numerosos estudios epidemiológicos mostraron que las mujeres que tomaban terapia de reemplazo hormonal combinada (TRH) también tenían una incidencia de enfermedad coronaria (CHD) más baja que la media . lo que llevó a los médicos a proponer que la TRH protegía contra las enfermedades del corazón. Pero los ensayos controlados aleatorios posteriores mostraron que el uso de THS condujo a un aumento pequeño pero estadísticamente significativo en el riesgo de cardiopatía coronaria. El nuevo análisis de los datos de los estudios epidemiológicos mostró que las mujeres que realizaban THS tenían más probabilidades de pertenecer a grupos socioeconómicos más altos ( ABC1 ), con regímenes de dieta y ejercicio mejores que el promedio. Así, el uso de THS y la disminución de la incidencia de enfermedad coronaria fueron efectos coincidentes de una causa común (es decir, los beneficios asociados con un nivel socioeconómico más alto), en lugar de que uno sea una causa directa del otro, como se suponía. [4] La creencia generalizada (pero errónea) de que los ECA brindan evidencia causal más sólida que los estudios observacionales, estos últimos continuaron mostrando beneficios consistentemente y los análisis posteriores y los estudios de seguimiento han demostrado un beneficio significativo para el riesgo de cardiopatía coronaria en mujeres sanas que inician la terapia con estrógenos poco después del inicio de la menopausia. [5]
Análisis causal
El análisis causal es el campo del diseño experimental y las estadísticas relacionadas con el establecimiento de causa y efecto. [6] [7] Para dos eventos correlacionados cualesquiera, A y B, sus posibles relaciones incluyen:
- A causa B (causalidad directa);
- B causa A (causalidad inversa);
- A y B son ambos causados por C
- A causa B y B causa A (causalidad bidireccional o cíclica);
- No hay conexión entre A y B; la correlación es una coincidencia .
Por lo tanto, no se puede llegar a ninguna conclusión con respecto a la existencia o la dirección de una relación de causa y efecto solo por el hecho de que A y B están correlacionados. Determinar si existe una relación real de causa y efecto requiere una mayor investigación, incluso cuando la relación entre A y B es estadísticamente significativa , se observa un gran tamaño del efecto o se explica una gran parte de la varianza .
En filosofía y física
La naturaleza de la causalidad se investiga sistemáticamente en varias disciplinas académicas , incluidas la filosofía y la física .
En el ámbito académico, hay un número significativo de teorías sobre la causalidad; El Manual de causalidad de Oxford ( Beebee, Hitchcock & Menzies 2009 ) abarca 770 páginas. Entre las teorías más influyentes dentro de la filosofía son Aristóteles 's Cuatro causas y Al-Ghazali ' s ocasionalismo . [8] David Hume argumentó que las creencias sobre la causalidad se basan en la experiencia, y la experiencia se basa de manera similar en la suposición de que el futuro modela el pasado, que a su vez solo puede basarse en la experiencia, lo que lleva a la lógica circular . En conclusión, afirmó que la causalidad no se basa en un razonamiento real : solo se puede percibir realmente la correlación. [9] Immanuel Kant , según Beebee, Hitchcock & Menzies (2009) , sostuvo que "un principio causal según el cual todo evento tiene una causa, o sigue según una ley causal, no puede establecerse mediante inducción como una afirmación puramente empírica , ya que entonces carecería de estricta universalidad, o necesidad ".
Fuera del campo de la filosofía, las teorías de la causalidad se pueden identificar en la mecánica clásica , la mecánica estadística , la mecánica cuántica , las teorías del espacio-tiempo , la biología , las ciencias sociales y el derecho . [8] Para establecer una correlación como causal dentro de la física , normalmente se entiende que la causa y el efecto deben conectarse a través de un mecanismo local (cf. por ejemplo, el concepto de impacto ) o un mecanismo no local (cf. el concepto de campo ). , de acuerdo con las leyes conocidas de la naturaleza .
Desde el punto de vista de la termodinámica , las propiedades universales de las causas en comparación con los efectos se han identificado a través de la segunda ley de la termodinámica , lo que confirma la visión antigua, medieval y cartesiana [10] de que "la causa es mayor que el efecto" para el particular. caso de energía libre termodinámica . Esto, a su vez, es desafiado [ dudoso ] por las interpretaciones populares de los conceptos de sistemas no lineales y el efecto mariposa , en los que pequeños eventos causan grandes efectos debido, respectivamente, a la imprevisibilidad y la activación improbable de grandes cantidades de energía potencial .
La causalidad construida a partir de estados contrafácticos
Intuitivamente, la causalidad parece requerir no solo una correlación, sino una dependencia contrafáctica . Suponga que un estudiante se desempeñó mal en una prueba y adivina que la causa fue que no estudió. Para probar esto, uno piensa en el contrafactual: el mismo estudiante que escribe la misma prueba en las mismas circunstancias pero que ha estudiado la noche anterior. Si se pudiera rebobinar la historia y cambiar solo una pequeña cosa (hacer que el estudiante estudiara para el examen), entonces se podría observar la causalidad (comparando la versión 1 con la versión 2). Debido a que uno no puede rebobinar la historia y reproducir eventos después de hacer pequeños cambios controlados, la causalidad solo puede inferirse, nunca conocerse con exactitud. Esto se conoce como el problema fundamental de la inferencia causal: es imposible observar directamente los efectos causales. [11]
Uno de los principales objetivos de los experimentos científicos y los métodos estadísticos es aproximarse lo mejor posible al estado hipotético del mundo. [12] Por ejemplo, uno podría realizar un experimento en gemelos idénticos que se sabe que obtienen consistentemente las mismas calificaciones en sus pruebas. Un gemelo es enviado a estudiar durante seis horas mientras que el otro es enviado al parque de diversiones. Si los puntajes de sus exámenes repentinamente divergieran en gran medida, esto sería una fuerte evidencia de que estudiar (o ir al parque de diversiones) tuvo un efecto causal en los puntajes de los exámenes. En este caso, la correlación entre el estudio y los puntajes de las pruebas implicaría casi con certeza la causalidad.
Los estudios experimentales bien diseñados reemplazan la igualdad de individuos como en el ejemplo anterior por la igualdad de grupos. El objetivo es construir dos grupos que sean similares excepto por el trato que reciben los grupos. Esto se logra seleccionando sujetos de una sola población y asignándolos aleatoriamente a dos o más grupos. La probabilidad de que los grupos se comporten de manera similar entre sí (en promedio) aumenta con el número de sujetos en cada grupo. Si los grupos son esencialmente equivalentes excepto por el tratamiento que reciben, y se observa una diferencia en el resultado para los grupos, entonces esto constituye evidencia de que el tratamiento es responsable del resultado, o en otras palabras, el tratamiento causa el efecto observado. Sin embargo, un efecto observado también podría ser causado "por casualidad", por ejemplo, como resultado de perturbaciones aleatorias en la población. Existen pruebas estadísticas para cuantificar la probabilidad de concluir erróneamente que existe una diferencia observada cuando en realidad no existe (por ejemplo, ver el valor P ).
Causalidad predicha por extrapolación de tendencias
Cuando los estudios experimentales son imposibles y solo se dispone de datos preexistentes, como suele ser el caso, por ejemplo, en economía , se puede utilizar el análisis de regresión . Los factores distintos de la variable causal potencial de interés se controlan incluyéndolos como regresores además del regresor que representa la variable de interés. Las inferencias falsas de causalidad debido a causalidad inversa (o estimaciones incorrectas de la magnitud de causalidad debido a la presencia de causalidad bidireccional) se pueden evitar utilizando explicadores (regresores) que son necesariamente exógenos , como explicadores físicos como la cantidad de lluvia (como un determinante). de, digamos, precios de futuros), variables rezagadas cuyos valores se determinaron antes de que se determinara el valor de la variable dependiente, variables instrumentales para los explicadores (elegidos en función de su exogeneidad conocida), etc. Ver causalidad en estadística y economía . La correlación espuria debida a la influencia mutua de una tercera variable causal común, es más difícil de evitar: el modelo debe especificarse de manera que exista una razón teórica para creer que no se ha omitido de su análisis tal variable causal subyacente.
Ejemplos de inferir ilógicamente la causalidad de la correlación
B causa A (causalidad inversa o causalidad inversa)
La causalidad inversa o la causalidad inversa o la dirección incorrecta es una falacia informal de causa cuestionable donde la causa y el efecto se invierten. Se dice que la causa es el efecto y viceversa.
- Ejemplo 1
- Cuanto más rápido giran los molinos de viento, más viento se observa.
- Por lo tanto, el viento es causado por la rotación de los molinos de viento. (O, simplemente, los molinos de viento, como su nombre lo indica, son máquinas que se utilizan para producir viento).
En este ejemplo, la correlación (simultaneidad) entre la actividad del molino de viento y la velocidad del viento no implica que el viento sea causado por molinos de viento. Es más bien al revés, como sugiere el hecho de que el viento no necesita molinos de viento para existir, mientras que los molinos de viento necesitan viento para girar. El viento se puede observar en lugares donde no hay molinos de viento o molinos de viento no giratorios, y hay buenas razones para creer que el viento existió antes de la invención de los molinos de viento.
- Ejemplo 2
En otros casos, puede que simplemente no esté claro cuál es la causa y cuál el efecto. Por ejemplo:
- Los niños que ven mucha televisión son los más violentos. Claramente, la televisión hace que los niños sean más violentos .
Esto fácilmente podría ser al revés; es decir, a los niños violentos les gusta ver más televisión que a los menos violentos.
- Ejemplo 3
Una correlación entre el uso de drogas recreativas y los trastornos psiquiátricos podría ser de cualquier manera: quizás las drogas causan los trastornos, o quizás las personas usan drogas para automedicarse para condiciones preexistentes. La teoría de las drogas Gateway puede argumentar que el uso de marihuana conduce al uso de drogas más duras, pero el uso de drogas duras puede conducir al uso de marihuana (ver también confusión de lo inverso ). De hecho, en las ciencias sociales, donde los experimentos controlados a menudo no se pueden utilizar para discernir la dirección de la causalidad, esta falacia puede alimentar argumentos científicos de larga data. Un ejemplo de este tipo se puede encontrar en la economía de la educación , entre los modelos de selección / señalización y de capital humano : podría ser que tener una capacidad innata le permite a uno completar una educación, o que completar una educación construye la capacidad de uno.
- Ejemplo 4
Un ejemplo histórico de esto es que los europeos de la Edad Media creían que los piojos eran beneficiosos para la salud, ya que raramente habría piojos en las personas enfermas. El razonamiento fue que la gente se enfermó porque los piojos se fueron. Sin embargo, la verdadera razón es que los piojos son extremadamente sensibles a la temperatura corporal. Un pequeño aumento de la temperatura corporal, como en caso de fiebre , hará que los piojos busquen otro huésped. El termómetro médico aún no se había inventado, por lo que este aumento de temperatura rara vez se notó. Los síntomas notables vinieron más tarde, dando la impresión de que los piojos se fueron antes de que la persona se enfermara. [13]
En otros casos, dos fenómenos pueden ser cada uno una causa parcial del otro; considere la pobreza y la falta de educación, o la dilación y la baja autoestima. Sin embargo, quien formula un argumento basado en estos dos fenómenos debe tener cuidado de evitar la falacia de causa y consecuencia circulares . La pobreza es una causa de falta de educación, pero no es la única causa y viceversa.
El tercer factor C (la variable causal común) causa tanto A como B
La falacia de la tercera causa (también conocida como ignorar una causa común [14] o causa cuestionable [14] ) es una falacia lógica en la que una relación espuria se confunde con la causalidad . Afirma que X causa Y cuando, en realidad, X e Y son ambos causados por Z. Es una variación de la falacia post hoc ergo propter hoc y un miembro del grupo de falacias de causa cuestionable .
Todos estos ejemplos tratan con una variable al acecho , que es simplemente una tercera variable oculta que afecta a ambas causas de la correlación. A menudo también surge una dificultad cuando el tercer factor, aunque fundamentalmente diferente de A y B, está tan estrechamente relacionado con A y / o B que se confunde con ellos o es muy difícil desenredarlo científicamente de ellos (ver Ejemplo 4).
- Ejemplo 1
- Dormir con los zapatos puestos está fuertemente correlacionado con despertarse con dolor de cabeza.
- Por lo tanto, dormir con los zapatos puestos causa dolor de cabeza.
El ejemplo anterior comete la falacia de correlación-implica-causalidad, ya que concluye prematuramente que dormir con los zapatos puestos causa dolor de cabeza. Una explicación más plausible es que ambos están provocados por un tercer factor, en este caso irse a la cama borracho , lo que da lugar a una correlación. Entonces la conclusión es falsa.
- Ejemplo 2
- Los niños pequeños que duermen con la luz encendida tienen muchas más probabilidades de desarrollar miopía en el futuro.
- Por tanto, dormir con la luz encendida provoca miopía.
Este es un ejemplo científico que resultó de un estudio en el Centro Médico de la Universidad de Pennsylvania . Publicado en la edición del 13 de mayo de 1999 de Nature , [15] el estudio recibió mucha cobertura en ese momento en la prensa popular. [16] Sin embargo, un estudio posterior de la Universidad Estatal de Ohio no encontró que los bebés durmiendo con la luz encendida causaran el desarrollo de miopía. Encontró un fuerte vínculo entre la miopía de los padres y el desarrollo de la miopía infantil, y también señaló que los padres miopes eran más propensos a dejar una luz encendida en el dormitorio de sus hijos. [17] [18] [19] [20] En este caso, la causa de ambas condiciones es la miopía de los padres y la conclusión anterior es falsa.
- Ejemplo 3
- A medida que aumentan las ventas de helados, la tasa de muertes por ahogamiento aumenta drásticamente.
- Por tanto, el consumo de helado provoca ahogamiento.
Este ejemplo no reconoce la importancia de la época del año y la temperatura para las ventas de helados. El helado se vende durante los calurosos meses de verano a un ritmo mucho mayor que durante las épocas más frías, y es durante estos calurosos meses de verano cuando es más probable que las personas se involucren en actividades relacionadas con el agua, como nadar . El aumento de las muertes por ahogamiento se debe simplemente a una mayor exposición a actividades acuáticas, no al helado. La conclusión declarada es falsa.
- Ejemplo 4
- Un estudio hipotético muestra una relación entre los puntajes de ansiedad ante los exámenes y los puntajes de timidez, con un valor estadístico r (fuerza de correlación) de +.59. [21]
- Por lo tanto, se puede concluir simplemente que la timidez, en alguna parte, influye causalmente en la ansiedad ante los exámenes.
Sin embargo, como se encuentra en muchos estudios psicológicos, se descubre otra variable, una "puntuación de autoconciencia", que tiene una correlación más marcada (+.73) con la timidez. Esto sugiere un posible problema de "tercera variable", sin embargo, cuando se encuentran tres medidas tan estrechamente relacionadas, sugiere además que cada una puede tener tendencias bidireccionales (ver " variable bidireccional ", más arriba), siendo un grupo de valores correlacionados, cada uno de los cuales se influye entre sí. hasta cierto punto. Por lo tanto, la simple conclusión anterior puede ser falsa.
- Ejemplo 5
- Desde la década de 1950, tanto el nivel de CO 2 atmosférico como los niveles de obesidad han aumentado considerablemente.
- Por tanto, el CO 2 atmosférico provoca obesidad.
Las poblaciones más ricas tienden a comer más alimentos y a producir más CO 2 .
- Ejemplo 6
- HDL ( "bueno") de colesterol se correlaciona negativamente con la incidencia de infarto de miocardio.
- Por lo tanto, tomar medicamentos para aumentar el HDL disminuye la posibilidad de sufrir un ataque cardíaco.
Investigaciones posteriores [22] han puesto en duda esta conclusión. En cambio, puede ser que otros factores subyacentes, como los genes, la dieta y el ejercicio, afecten tanto los niveles de HDL como la probabilidad de sufrir un ataque cardíaco; Es posible que los medicamentos afecten al factor directamente medible, los niveles de HDL, sin afectar la posibilidad de un ataque cardíaco.
Causalidad bidireccional: A causa B y B causa A
La causalidad no es necesariamente unidireccional; [ dudoso ] en una relación depredador-presa , el número de depredadores afecta el número de presas, pero el número de presas, es decir, el suministro de alimentos, también afecta el número de depredadores. Otro ejemplo bien conocido es que los ciclistas tienen un índice de masa corporal más bajo que las personas que no andan en bicicleta. Esto a menudo se explica asumiendo que el ciclismo aumenta los niveles de actividad física y, por lo tanto, disminuye el IMC. Debido a que los resultados de estudios prospectivos en personas que aumentan su uso de la bicicleta muestran un efecto menor sobre el IMC que los estudios transversales, también puede haber cierta causalidad inversa (es decir, las personas con un IMC más bajo tienen más probabilidades de andar en bicicleta). [23]
La relación entre A y B es coincidente
Las dos variables no están relacionadas en absoluto, sino que se correlacionan por casualidad. Cuantas más cosas se examinen, más probable es que dos variables no relacionadas parezcan estar relacionadas. Por ejemplo:
- El resultado del último partido en casa de los Washington Redskins antes de las elecciones presidenciales predijo el resultado de todas las elecciones presidenciales de 1936 a 2000 inclusive , a pesar de que los resultados de los partidos de fútbol no tenían nada que ver con el resultado de las elecciones populares. Esta racha finalmente se rompió en 2004 (o 2012 utilizando una formulación alternativa de la regla original).
- La ley Mierscheid , que correlaciona la participación del Partido Socialdemócrata de Alemania en el voto popular con el tamaño de la producción de acero crudo en Alemania Occidental.
- Líderes rusos calvos y peludos alternativos : Un líder estatal calvo (o obviamente calvo) de Rusia ha sucedido a uno no calvo ("peludo"), y viceversa, durante casi 200 años.
- El código de la Biblia , palabras hebreas que predicen eventos históricos supuestamente escondidos dentro de la Torá : la gran cantidad de combinaciones de letras hace que la aparición de cualquier palabra en un texto suficientemente extenso sea estadísticamente insignificante.
Uso de la correlación como evidencia científica
Gran parte de la evidencia científica se basa en una correlación de variables [24] : se observa que ocurren juntas. Los científicos tienen cuidado de señalar que correlación no significa necesariamente causalidad. La suposición de que A causa B simplemente porque A se correlaciona con B a menudo no se acepta como una forma legítima de argumento.
Sin embargo, a veces la gente comete la falacia opuesta, descartando la correlación por completo. Esto descartaría una gran cantidad de evidencia científica importante. [24] Dado que puede ser difícil o éticamente imposible realizar estudios controlados doble ciego , la evidencia correlacional desde varios ángulos diferentes puede ser útil para la predicción a pesar de no proporcionar evidencia de causalidad . Por ejemplo, los trabajadores sociales podrían estar interesados en saber cómo se relaciona el abuso infantil con el rendimiento académico. Aunque no sería ético realizar un experimento en el que los niños son asignados al azar para recibir o no abuso, los investigadores pueden analizar los grupos existentes utilizando un diseño correlacional no experimental. Si, de hecho, existe una correlación negativa entre el abuso y el rendimiento académico, los investigadores podrían usar este conocimiento de una correlación estadística para hacer predicciones sobre los niños fuera del estudio que experimentan abuso, aunque el estudio no proporcionó evidencia causal de que el abuso disminuye el rendimiento académico. [25] La combinación de metodologías limitadas disponibles con la falacia de la correlación descartada se ha utilizado en ocasiones para contrarrestar un hallazgo científico. Por ejemplo, la industria tabacalera se ha basado históricamente en el rechazo de la evidencia correlacional para rechazar un vínculo entre el tabaco y el cáncer de pulmón , [26] como lo hizo el biólogo y estadístico Ronald Fisher , [lista 1] con frecuencia en su nombre.
La correlación es un tipo valioso de evidencia científica en campos como la medicina, la psicología y la sociología. Las correlaciones deben primero confirmarse como reales, luego deben explorarse sistemáticamente todas las posibles relaciones causales. Al final, la correlación por sí sola no puede utilizarse como evidencia de una relación de causa y efecto entre un tratamiento y un beneficio, un factor de riesgo y una enfermedad, o un factor social o económico y varios resultados. Es uno de los tipos de evidencia más abusados, porque es fácil e incluso tentador llegar a conclusiones prematuras basadas en la apariencia preliminar de una correlación. [26]
Ver también
- Afirmar el consecuente - tipo de argumento falaz (falacia lógica)
- Alineaciones de puntos aleatorios - Fenómeno en estadística
- Apophenia : tendencia a percibir conexiones entre cosas no relacionadas
- Análisis post hoc: análisis estadísticos que no se especificaron antes de que se vieran los datos
- Problema de comparaciones múltiples
- Efecto mirar en otra parte
- Dragado de datos
- Prueba de hipótesis sugeridas por los datos
- Código de la Biblia : supuesto conjunto de mensajes secretos codificados en el texto hebreo de la Torá.
- Coincidencia # Coincidencia y causalidad
- Confusión - Variable que influye tanto en la variable dependiente como en la variable independiente causando una asociación falsa
- Confusión de lo inverso
- Paradoja francesa : eslogan para la aparente paradoja de que los franceses tienen una baja incidencia de enfermedades cardíacas mientras consumen muchas grasas saturadas.
- Diseño de experimentos : diseño de tareas establecidas para descubrir
- Efecto conjunto
- Normalmente distribuido y no correlacionado no implica independiente
- Piratas y calentamiento global
- Reproducibilidad
- Relación espuria : correlación aparente, pero falsa, entre variables causalmente independientes
- Criterios de Bradford Hill
Referencias
- ^ Tufte , 2006 , p. 5
- ^ Aldrich, John (1995). "Correlaciones genuinas y espurias en Pearson y Yule" (PDF) . Ciencia estadística . 10 (4): 364–376. doi : 10.1214 / ss / 1177009870 . JSTOR 2246135 . Archivado desde el original (PDF) el 19 de febrero de 2006.
- ^ "Suficiente" . Wolfram . 2019-12-02 . Consultado el 3 de diciembre de 2019 .
- ^ Lawlor DA, Davey Smith G , Ebrahim S (junio de 2004). "Comentario: el enigma del reemplazo hormonal-enfermedad coronaria: ¿es esta la muerte de la epidemiología observacional?" . Int J Epidemiol . 33 (3): 464–467. doi : 10.1093 / ije / dyh124 . PMID 15166201 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ "Establecer el riesgo relacionado con la terapia hormonal sustitutiva y la enfermedad cardiovascular en la mujer". Farmacéutico Clínico . 2017. doi : 10.1211 / CP.2017.20202066 . ISSN 2053-6178 .
- ^ Rohlfing, Ingo; Schneider, Carsten Q. (2018). "Un marco unificador para el análisis causal en la investigación multimétodo teórico de conjuntos" (PDF) . Métodos e investigación sociológicos . 47 (1): 37–63. doi : 10.1177 / 0049124115626170 . Consultado el 29 de febrero de 2020 .
- ^ Brady, Henry E. (7 de julio de 2011). "Causalidad y Explicación en Ciencias Sociales" . El Manual de Oxford de Ciencias Políticas . doi : 10.1093 / oxfordhb / 9780199604456.013.0049 . Consultado el 29 de febrero de 2020 .
- ^ a b Beebee, Hitchcock y Menzies 2009
- ^ Morris, William Edward (2001). "David Hume" . La Enciclopedia de Filosofía de Stanford .
- ^ Lloyd, AC (1976). "El principio de que la causa es mayor que su efecto". Phronesis . 21 (2): 146-156. doi : 10.1163 / 156852876x00101 . JSTOR 4181986 .
- ^ Holanda, Paul W. (1986). "Estadística e inferencia causal". Revista de la Asociación Estadounidense de Estadística . 81 (396): 945–960. doi : 10.1080 / 01621459.1986.10478354 .
- ^ Pearl, Judea (2000). Causalidad: modelos, razonamiento e inferencia . Prensa de la Universidad de Cambridge. ISBN 9780521773621.
- ^ Willingham, Emily. "De piojos y hombres: una historia de picazón" . Red de blogs de Scientific American . Consultado el 26 de febrero de 2019 .
- ^ a b Labossiere, MC, páginas de filosofía del Dr. LaBossiere Archivado el 22 de mayo de 2009 en la Wayback Machine.
- ^ Quinn, Graham E .; Shin, Chai H .; Maguire, Maureen G .; Stone, Richard A. (mayo de 1999). "Miopía e iluminación ambiental en la noche". Naturaleza . 399 (6732): 113-114. Código Bib : 1999Natur.399..113Q . doi : 10.1038 / 2009 4 . PMID 10335839 .
- ^ CNN , 13 de mayo de 1999. La luz nocturna puede provocar miopía.
- ^ Universidad Estatal de Ohio noticias de investigación, 9 de marzo de 2000. Las luces nocturnas no conducen a la miopía, el estudio sugiere Archivado 2006-09-01 en la Wayback Machine
- ^ Zadnik, Karla; Jones, Lisa A .; Irvin, Brett C .; Kleinstein, Robert N .; Manny, Ruth E .; Shin, Julie A .; Mutti, Donald O. (2000). "Visión: Miopía e iluminación ambiental nocturna". Naturaleza . 404 (6774): 143-144. Código Bibliográfico : 2000Natur.404..143Z . doi : 10.1038 / 35004661 . PMID 10724157 .
- ^ Gwiazda, J .; Ong, E .; Held, R .; Thorn, F. (2000). "Visión: Miopía e iluminación ambiental nocturna" . Naturaleza . 404 (6774): 144. Código Bibliográfico : 2000Natur.404..144G . doi : 10.1038 / 35004663 . PMID 10724158 .
- ^ Stone, Richard A .; Maguire, Maureen G .; Quinn, Graham E. (2000). "Visión: respuesta: Miopía e iluminación nocturna ambiental" . Naturaleza . 404 (6774): 144. Código Bibliográfico : 2000Natur.404..144S . doi : 10.1038 / 35004665 . PMID 10724158 .
- ^ Carducci, Bernardo J. (2009). La psicología de la personalidad: puntos de vista, investigación y aplicaciones (2ª ed.). John Wiley e hijos. ISBN 978-1-4051-3635-8.
- ^ Ornish, Dean. "Colesterol: Lo bueno, lo malo y la verdad" [1] (consultado el 3 de junio de 2011)
- ^ Dons, E (2018). "Elección del modo de transporte e índice de masa corporal: evidencia transversal y longitudinal de un estudio europeo" (PDF) . Environment International . 119 (119): 109-116. doi : 10.1016 / j.envint.2018.06.023 . hdl : 10044/1/61061 . PMID 29957352 .
- ^ a b Novella. "Evidencia en medicina: correlación y causalidad" . Ciencia y Medicina . Medicina basada en la ciencia.
- ^ Nielsen, Michael (23 de enero de 2012). "Si la correlación no implica causalidad, entonces ¿qué es? | DDI" . Michaelnielsen.org . Consultado el 8 de octubre de 2017 .
- ^ a b "Evidencia en medicina: correlación y causalidad - Medicina basada en la ciencia" . Sciencebasedmedicine.org. 2009-11-18 . Consultado el 8 de octubre de 2017 .
- ^ Silver, Nate (2015), La señal y el ruido: por qué fallan tantas predicciones, pero algunas no (2ª ed.), Nueva York : Penguin Books , págs. 254-255
- ^ Fisher, Ronald (6 de julio de 1957), "Dangers Of Cigarette-Smoking", The British Medical Journal , Londres : Asociación Médica Británica , 2 (5035): 43, doi : 10.1136 / bmj.2.5035.43 , JSTOR 25383068 , PMC 1961750
- ^ Fisher, Ronald (3 de agosto de 1957), "Dangers Of Cigarette-Smoking", The British Medical Journal , Londres : Asociación Médica Británica , 2 (5039): 297–298, doi : 10.1136 / bmj.2.5039.297-b , JSTOR 25383439 , PMC 1961712
- ^ Fisher, Ronald (1958), "Cigarrillos, cáncer y estadísticas" (PDF) , The Centennial Review of Arts & Science , East Lansing, Michigan : Michigan State University Press , 2 : 151-166
- ^ Fisher, Ronald (1958), "La naturaleza de la probabilidad" (PDF) , The Centennial Review of Arts & Science , East Lansing, Michigan : Michigan State University Press , 2 : 261–274
- ^ Fisher, Ronald (12 de julio de 1958), "Lung Cancer and Cigarettes" (PDF) , Nature , Londres : Nature Publishing Group , 182 (4628): 108, Bibcode : 1958Natur.182..108F , doi : 10.1038 / 182108a0 , PMID 13566198
- ^ Fisher, Ronald (30 de agosto de 1958), "Cancer and Smoking" (PDF) , Nature , Londres : Nature Publishing Group , 182 (4635): 596, Bibcode : 1958Natur.182..596F , doi : 10.1038 / 182596a0 , PMID 13577916
- Referencias incluidas
- ^ [27] [28] [29] [30] [31] [32] [33]
Bibliografía
- Beebee, Helen; Hitchcock, Christopher; Menzies, Peter (2009). El Manual de causalidad de Oxford . Prensa de la Universidad de Oxford. ISBN 978-0-19-162946-4.
- Tufte, Edward R. (2006). El estilo cognitivo de PowerPoint: deshacerse de la corrupción interna (2ª ed.). Cheshire, Connecticut : Prensa gráfica . ISBN 978-0-9613921-5-4.