¡No puede ser una coincidencia!
Recientemente, los coblogueros Scott Sumner y Kevin Corcoran publicaron una serie de excelentes artículos sobre causalidad, coincidencia e identidades (el artículo de Scott está aquí y el de Kevin aquí , aquí y aquí ). Quiero aportar mi granito de arena con algunas lecturas y reflexiones para los lectores interesados.
Un tema recurrente en ambas publicaciones es la idea de la coincidencia: que dos eventos ocurren juntos sin causa aparente. La coincidencia es bastante frecuente. Dos ejemplos curiosos:
- El 14 de julio jugué los dos mejores partidos de mi vida: 161 y 157. Incluso el tercer partido, con 118, fue mejor que el promedio. Mi promedio es 110, así que fue una gran mejora. Además, era la primera vez en meses que llevaba un billete de 5 dólares en el bolsillo. ¿Acaso los 5 dólares en el bolsillo hicieron que mi juego de bolos mejorara? ¡No puede ser casualidad!
- El 3 de julio, los Boston Red Sox visitaron a Donald Trump en la Casa Blanca. Ganaron 10 partidos seguidos y pasaron de ser los últimos de la tabla a estar a solo unos juegos de los Toronto Blue Jays, líderes de la división. ¿Acaso Trump impulsó a los Sox? ¡No puede ser casualidad!
Claro, ambos ejemplos son absurdos. Cualquiera que afirme que un billete de 5 dólares y el simple hecho de estar en presencia de Trump causó estos eventos sería expulsado a carcajadas. De hecho, hay abundante evidencia que contradice la coincidencia de tiempo y lugar: los Nacionales de Washington visitaron a Trump en 2019 tras su victoria en la Serie Mundial y han tenido un récord perdedor desde entonces. Es improbable que Trump causara la racha de victorias de los Medias Rojas o la de los Nacionales.
Distinguir causalidad de coincidencia requiere una buena teoría. La teoría nos ayuda a distinguir entre coincidencia y causalidad. La teoría, rigurosamente comprobada, es un lente vital para comprender el mundo. Una teoría deficiente lleva a confundir coincidencia con causalidad.
Por supuesto, esto no significa que incluso las teorías rigurosamente probadas sean en última instancia correctas. La teoría del miasma , por ejemplo, sobrevivió a milenios de pruebas. De hecho, existía mucha evidencia que la respaldaba: el aire viciado tendía a acumularse alrededor de la enfermedad. Y el aire viciado a menudo precedía al brote de la enfermedad. Pero, después de un estudio minucioso y un poco de suerte, la teoría del miasma finalmente se desmoronó. John Snow planteó la hipótesis de que ciertas enfermedades no eran causadas por el aire viciado, sino por algo más (él moriría antes de que se descubrieran los gérmenes, pero podía ver su existencia en los datos). El aire viciado no causaba la enfermedad, sino que era causado por la enfermedad. (Para los lectores interesados, recomiendo encarecidamente The Ghost Map de Steven Johnson).
Determinar la causalidad es un problema bastante complejo. Judea Pearl, un brillante estadístico de la UCLA, tiene una serie de libros que exploran la causalidad desde una perspectiva estadística. Su libro técnico se titula "Causalidad" y es una lectura compleja. Aunque nadie me confundirá con un estadístico de élite, incluso quienes dominan el tema lo encuentran difícil.
Para quienes no hemos ganado el Premio Turing, tiene un libro más accesible: El Libro del Porqué . En este libro, repasa la historia del pensamiento sobre la causalidad y su situación actual. En resumen: Realmente no sabemos cuándo dos cosas son causales. Hacemos todo lo posible, pero es un problema bastante complejo. Todos los modelos de causalidad tienen supuestos, algunos muy sólidos, y nunca podemos estar seguros de que se cumplan.
Lo que me lleva a mi punto final: la frase "¡ No puede ser una coincidencia!" es probablemente la menos científica del idioma inglés. No solo porque la suelen invocar los teóricos de la conspiración o los pensadores mediocres que buscan impulsar su última idea a medias, sino también porque invoca un nivel de certeza inalcanzable . Las coincidencias ocurren todo el tiempo . Existe cierta probabilidad de que la causalidad sea una coincidencia. Incluso una afirmación de significancia estadística (p. ej., "P < 0,05") es una declaración de probabilidad (sujeta a los supuestos de modelado mencionados anteriormente). Quienes la invocan, sin duda, suelen hacerlo porque carecen de suficiente teoría y evidencia para justificar su afirmación.
Cuando consideramos las suposiciones necesarias para demostrar la causalidad, deberíamos ser lo suficientemente humildes para decir: "Es posible que esté equivocado".
econlib
