correlazione e causalità mappa concettuale

Approfondisci

La correlazione indica che due variabili variano insieme, ma non dimostra che una causi l'altra. Questa mappa spiega la differenza tra correlazione e causalità, presenta i principali errori di ragionamento, il ruolo delle variabili confondenti e la direzione della causalità. Include esempi classici come la relazione tra vendite di gelati e annegamenti, e mostra perché gli studi sperimentali controllati sono necessari per stabilire rapporti causa-effetto in economia, medicina e ricerca sociale.

Perché la correlazione non basta
Quando due variabili sono correlate, significa solo che tendono a muoversi insieme in modo prevedibile. Questo legame statistico può nascere da tre situazioni diverse: una causa davvero l'altra, una terza variabile nascosta influenza entrambe, oppure il legame è puro caso. Ad esempio, le vendite di gelati e gli annegamenti aumentano insieme d'estate, ma il gelato non causa annegamenti: il fattore comune è il caldo, che spinge più persone sia a comprare gelati sia a fare il bagno. Confondere correlazione e causalità è uno degli errori più frequenti nell'interpretazione dei dati, anche in contesti professionali.

Le variabili confondenti
Una variabile confondente è un fattore che influenza sia la presunta causa sia l'effetto osservato, creando un legame apparente tra i due. Nell'esempio del caldo estivo, la temperatura è la variabile confondente: senza considerarla, si potrebbe attribuire al gelato un effetto che in realtà dipende da altro. I ricercatori affrontano questo problema con diverse strategie: controllano statisticamente le variabili note, confrontano gruppi simili o, quando è possibile, ricorrono a esperimenti randomizzati. Nei dati osservativi, come le serie storiche economiche, non è sempre possibile controllare tutti i fattori, quindi ogni conclusione causale va formulata con prudenza e verificata con ulteriori evidenze.

La direzione del rapporto
Anche quando esiste un legame reale, la direzione della causalità non è scontata. Se si osserva che chi dorme meglio ha meno ansia, potrebbe essere il sonno a ridurre l'ansia, ma anche l'ansia a disturbare il sonno, oppure entrambe le condizioni potrebbero dipendere da un terzo fattore. In economia si presenta lo stesso dilemma: la fiducia dei consumi può stimolare i consumi, ma un'economia in crescita può a sua volta rafforzare la fiducia. Spesso il rapporto è bidirezionale, con influenze reciproche nel tempo. Per questo gli analisti usano studi longitudinali, che seguono le variabili nel tempo, e modelli che tengono conto delle interazioni ripetute tra i fattori.

Dalla correlazione alla prova causale
Per stabilire una causalità serve più di una correlazione forte. Il metodo più solido è l'esperimento controllato: si assegnano casualmente i soggetti a un gruppo che riceve il trattamento e a un gruppo di controllo, così le differenze osservate si possono attribuire al trattamento stesso. L'assegnazione casuale distribuisce in modo equilibrato anche i fattori sconosciuti, riducendo il rischio di confondenti. Quando gli esperimenti non sono fattibili, per ragioni etiche o pratiche, si usano studi naturali, analisi di regressione avanzate e replicazioni indipendenti. Anche in questi casi la conclusione causale resta una inferenza graduale, rafforzata dalla convergenza di più linee di evidenza.