Correlação não é Causalidade: Entendendo os Perigos dos Dados Massivos e Evitando Armadilhas de Interpretação

A promessa da era do Big Data era simples: com dados suficientes, os números falariam por si mesmos. Não precisaríamos mais de teorias complexas ou intuição; os algoritmos encontrariam os padrões ocultos que governam o comportamento humano, os mercados e a natureza. No entanto, essa abundância de informações ampliou um dos erros mais antigos e perigosos da estatística: a confusão entre correlação e causalidade.

Quando analisamos bases de dados massivas, a probabilidade de encontrar duas variáveis que se movem em sincronia por puro acaso — ou por influência de um terceiro fator oculto — dispara. É a chamada correlação espúria. Sem um modelo mental rigoroso, gestores e formuladores de políticas públicas correm o risco de otimizar as métricas erradas.

O Paradoxo do Celular

Para ilustrar o absurdo matemático das correlações espúrias, podemos olhar para o Brasil nas últimas três décadas. Se cruzarmos os dados do Banco Mundial sobre a adoção de telefonia móvel com os indicadores de saúde pública, encontramos um padrão fascinante.

Entre 1990 e 2019, o número de assinaturas de celular no Brasil saltou de praticamente zero para mais de 200 milhões. No mesmo período, a expectativa de vida ao nascer subiu de 66 para quase 76 anos. A correlação estatística entre essas duas variáveis é de impressionantes 0,92 (onde 1,0 seria uma sincronia perfeita).

Um algoritmo de machine learning mal calibrado, ou um analista apressado, poderia concluir que a distribuição de smartphones é a política de saúde pública mais eficaz já inventada. A recomendação lógica seria subsidiar aparelhos celulares para combater a mortalidade.

O Fator Oculto

A falha, obviamente, reside na ausência de um mecanismo causal. Celulares não curam doenças. O que os dados mostram é a ação de uma variável de confusão (confounder): o tempo e o desenvolvimento econômico geral.

Ao longo dessas três décadas, o Brasil passou por estabilização econômica, avanços no saneamento básico, expansão do sistema de saúde e redução da mortalidade infantil. Simultaneamente, a tecnologia global de telecomunicações barateou e se popularizou. Ambas as linhas sobem no gráfico porque ambas são impulsionadas pelo vetor do tempo e do progresso tecnológico, mas uma não causa a outra.

O Risco no Mundo Real

O exemplo do celular é cômico e fácil de desmontar, mas no mundo corporativo e governamental, as correlações espúrias costumam ser muito mais sutis e destrutivas.

• Recursos Humanos: Um algoritmo de contratação pode notar que candidatos que usam um determinado navegador de internet permanecem mais tempo na empresa. O RH passa a filtrar candidatos pelo navegador, ignorando que a escolha do software era apenas um proxy para o nível de proficiência técnica.

• Varejo: Uma rede de supermercados pode descobrir que dias com alta venda de sorvete também têm alta taxa de furtos. Aumentar a segurança no corredor de congelados seria inútil; o fator oculto é o verão, que traz mais clientes (e mais furtos) para a loja.

• Políticas Públicas: Cidades com maior contingente policial frequentemente registram as maiores taxas de criminalidade. Concluir que a polícia causa o crime ignora a causalidade reversa: a polícia é enviada justamente para onde o crime já é alto.

A Defesa Contra o Ruído

Dados massivos são excelentes para prever o que vai acontecer, mas são péssimos para explicar o porquê. Para tomar decisões que alteram a realidade — como lançar um produto, mudar um preço ou aprovar uma lei —, a previsão não basta. É preciso intervir.

A única defesa contra a ilusão da causalidade é a exigência de um mecanismo lógico. Antes de agir sobre uma correlação, a pergunta fundamental não é "quão forte é o sinal estatístico?", mas sim "qual é a cadeia de eventos que faz A causar B?". Sem essa resposta, os dados não são um mapa para o futuro, mas apenas um espelho refletindo o ruído do acaso.