Una medida estadística que describe el grado y la dirección de asociación o dependencia entre dos variables medidas en una muestra o población; la correlación cuantifica cómo varían los valores de una variable respecto a otra pero, por sí sola, no establece que la variación de una cause la variación de la otra.

Principio

La correlación indica dependencia estadística y utilidad predictiva potencial, pero es insuficiente para inferencia causal; puede surgir por causalidad directa, causalidad inversa, confusión, tendencias compartidas o estructura de medida y requiere análisis adicionales para interpretar mecanismos.

Demostración

Escenario ilustrativo (hipotético): Situación — Un conjunto de datos muestra que la variable X y la variable Y tienden a aumentar conjuntamente. Reconocimiento — Los analistas calculan un coeficiente de correlación o ajustan un modelo que muestra asociación estadística. Acción — La asociación se usa como base para investigación ulterior (p. ej., análisis estratificados, estudios temporales o modelado predictivo). Consecuencia — La correlación puede guiar la generación de hipótesis o la predicción, pero no puede por sí sola justificar afirmaciones causales o intervenciones sin evidencia adicional.

Aplicación incorrecta

Interpretación errónea: concluir que la correlación prueba causalidad. Por qué parece plausible: una correlación fuerte o consistente sugiere relación. Error semántico: confundir asociación estadística con efecto causal y así avalar intervenciones o explicaciones mecanicistas que los datos no avalan.

Consecuencia

La correlación es útil para describir relaciones, seleccionar predictores y generar hipótesis; malinterpretarla como causal puede llevar a decisiones erróneas, intervenciones inapropiadas e inferencias engañosas.

Inversión

Una correlación puede convertirse en evidencia de causalidad sólo después de diseños y análisis complementarios (temporalidad, control de confusión, mecanismo) que apoyen una interpretación causal; por el contrario, la correlación puede desaparecer al condicionar por un factor de confusión o usar escalas de medida distintas.

Límite

Claramente dentro: asociación estadísticamente significativa entre dos variables medidas en un conjunto de datos especificado, cuantificada por coeficiente de correlación o medida de dependencia. Caso límite: correlación en datos transversales que puede reflejar causalidad inversa o confusión. Claramente fuera: afirmación causal de que una variable produce cambio en la otra sin evidencia causal de apoyo.

Tensión semántica

Tensión entre objetivos descriptivos estadísticos (medir y resumir asociación) y objetivos inferenciales causales (establecer causas), que exigen métodos y estándares de evidencia distintos.

Síntesis

La correlación es una herramienta descriptiva y predictiva informativa pero una base débil para reclamos causales; tratarla como tal exige evidencia adicional explícita y atención a explicaciones alternativas.