La información es algo poderoso en la era de Internet y la difusión masiva de contenidos. Sin embargo, más importante que la información en sí es la interpretación que le ofrecemos. Estas toneladas de artículos, opiniones y datos que nos llegan deben tener un filtro analítico, una crítica escéptica, y para ello debemos recurrir a la ciencia para evaluar y tomar las mejores decisiones y emitir opiniones, sobre todo si el foco está en las decisiones y políticas públicas. que afectan a miles de personas.
Por eso, entender dónde, cuándo y, sobre todo, cómo interpretar la información que recibimos se vuelve muy importante, desde el punto de vista individual y colectivo. Durante estas interpretaciones se producen muchos errores, que conducen a una toma de decisiones errónea que puede generar pérdidas incalculables para ciudades, estados e incluso países.
Una de las principales causas de malas interpretaciones en textos y materiales es el concepto erróneamente adoptado de correlación, y lo peligroso que puede resultar para la adopción de políticas públicas y decisiones de gran impacto. Véase, por ejemplo, el artículo en el enlace: “Posible correlación detectada entre contaminación del aire y muertes por Covid-19”. Varios lectores, al analizar este titular, inmediatamente pensaron: para combatir el Covid-19, por tanto, debemos reducir la contaminación del aire, y esto provocará una disminución de los contagios y, en consecuencia, del número de muertes por el virus. Así, estos lectores, si ocuparan altos cargos públicos, habrían tomado decisiones equivocadas, creando políticas que no tendrían ningún efecto ni resultados satisfactorios.
¿Por qué se equivocaron estos lectores? Porque nunca se debe confundir correlación con causalidad . Decir que la contaminación del aire y las muertes por Covid-19 están correlacionadas nunca será lo mismo que decir que un alto nivel de contaminación del aire causa más muertes por Covid-19. En otras palabras, dos variables (en el ejemplo, la contaminación del aire y las muertes por Covid-19) que covarían no necesariamente tienen una relación causa-efecto. Para hacer aún más evidente esta diferencia, véase el despistado ejemplo de la web tylervigen.com: la altísima correlación (recordemos que el valor matemático máximo de una corrección es 1) entre la tasa de divorcios en el estado de Maine y el consumo en el norte de Estados Unidos. per cápita de margarina: 0,9926.
Los divorcios pueden considerarse problemas sociales y burocráticos, que generan más procesos legales, demandando así mano de obra y costes para las arcas públicas. De esta manera, los directivos públicos deben pensar en formas de reducir las tasas de divorcio y, según el gráfico anterior, por tanto, se debe reducir el nivel de compras de margarina . Quizás el mayor resultado que obtendrá un gerente con esta línea de razonamiento sea la destitución de su puesto, ¿está de acuerdo?
Ejemplos extraños como el mencionado pueden ser más fáciles de descartar como incorrectos, pero volvamos al caso del Covid-19: ¿la contaminación del aire causa más muertes por el virus? Un directivo público que responda “sí” a esta pregunta se equivoca, y puede tomar decisiones que también lo sean. Siguiendo este razonamiento, ¿debería prohibirse la circulación de vehículos contaminantes (que sí provocan) un aumento de los niveles de contaminación, para reducir el número de muertes por Covid-19?
Algunos lectores notarán una cuestión que es la más impresionante e irónica de las decisiones públicas: este directivo puede lograr una disminución de los casos y muertes por coronavirus gracias a esta prohibición, emergiendo así como un héroe . Pero no porque los niveles de contaminación provoquen más muertes por Covid-19, sino precisamente porque están correlacionados positivamente, es decir, varían de forma similar. Para hablar de causalidad hay que añadir a la receta una tercera variable: el aislamiento social .
Se puede decir que el aislamiento social provoca una disminución en la circulación de personas en las calles, lo que provoca una menor cantidad de vehículos en la vía pública, lo que a su vez provoca una disminución en los niveles de contaminación. Por otro lado, el aislamiento provoca una disminución de la interacción interpersonal, lo que provoca una disminución en la tasa de contagio de Covid-19, y en consecuencia en el número de muertes. Ambas variables principales disminuyen, lo que indica una correlación, no causa y efecto .
Este es el principal consejo para analizar los titulares y la información que nos llega cada día: la causalidad infiere que una variable causa a la otra, y por tanto no es necesaria otra para que se produzca esta relación. Entonces, cuando leas noticias como “Detectan posible correlación entre contaminación del aire y muertes por Covid-19”, busca otras variables que puedan estar asociadas y, así, encontrar la relación real causa-efecto. En este caso, por ejemplo, una alta densidad de población provoca una mayor contaminación del aire, y también provoca más interacciones sociales y, en consecuencia, un mayor contagio del virus . No se trata de que la contaminación provoque más muertes por Covid-19, sino que la alta densidad de población provoca ambos problemas. Nos bombardean a diario con información, algunas ciertas y otras no tanto. Se debe aplicar un pensamiento crítico y analítico a titulares y noticias como la que se presenta, evitando así problemas modernos recurrentes y sumamente importantes, como la toma de decisiones equivocadas, la propagación de información falsa y el apoyo a campañas que no tendrán los efectos esperados. Cuando recibas cualquier tipo de información, especialmente aquellas que afirmen relaciones causales (la medicina x mejora la situación y, la reducción de x hace que y no suceda, entre otras), siempre cuestiona y busca respuestas más realistas. En otras palabras, nunca confundas causalidad y correlación, o relación y causa-efecto.
