Comprar guarda-chuva causa acidentes de trânsito? Há uma correlação estatística entre vendas de guarda-chuva e o número de colisões registradas nas grandes cidades. Mas não é o guarda-chuva que provoca os acidentes, é a chuva intensa que faz as pessoas comprarem guarda-chuva e, ao mesmo tempo, piora as condições de visibilidade e frenagem nas vias (1).
Esse exemplo parece absurdo, mas o mesmo tipo de erro aparece com frequência preocupante em artigos científicos, trabalho de conclusão de curso, dissertações e até em políticas públicas de saúde. Confundir correlação com causalidade é um dos erros mais comuns e mais perigosos na pesquisa epidemiológica.
Esse texto apresenta o conceito de correlação e causalidade de forma simples…
O que é correlação?
Correlação é uma medida estatística que indica o grau em que duas variáveis se movem juntas. O tipo de cada variável define qual coeficiente cabe no caso. Se quando uma sobe, a outra também sobe, dizemos que há correlação positiva. Se uma sobe e a outra desce, correlação negativa (2).
O ponto crucial: correlação não diz nada sobre o mecanismo. Ela não revela se A causa B, se B causa A, ou se ambos são causados por C.
A variável de confusão: a vilã silenciosa
Uma variável de confusão (ou confundidor) é um terceiro fator que está associado tanto à exposição quanto ao desfecho, e que pode distorcer a associação aparente entre eles. No exemplo do guarda-chuva, a chuva intensa é a variável de confusão: ela está associada ao aumento nas vendas de guarda-chuva e também ao aumento nos acidentes de trânsito (1).
Em estudos epidemiológicos, controlar (ou tentar) variáveis de confusão é essencial para não tirar conclusões erradas. Isso pode ser feito no desenho do estudo (por exemplo, via randomização ou emparelhamento) ou na análise dos dados, por estratificação ou por ajuste em um modelo de regressão (3).
Como a epidemiologia avalia causalidade?
Então, se correlação não prova causalidade, como saber se uma exposição realmente causa um desfecho?
Em 1965, Austin Bradford Hill propôs nove critérios que ajudam a avaliar se uma associação observada é causal: força da associação, consistência, especificidade, temporalidade, gradiente biológico (dose-resposta), plausibilidade biológica, coerência, evidência experimental e analogia (4).
Desses critérios, a temporalidade é o único considerado obrigatório: a exposição deve obrigatoriamente preceder o desfecho. E é exatamente por isso que estudos transversais, que medem exposição e desfecho ao mesmo tempo, não conseguem estabelecer causalidade (5), a mesma limitação que marca os estudos de prevalência.
Exemplos reais de correlações espúrias
O site Spurious Correlations, criado por Tyler Vigen, documenta dezenas de correlações absurdas com dados reais:o número de filmes com Nicolas Cage se correlaciona com mortes por afogamento em piscinas; o consumo per capita de queijo mussarela se correlaciona com o número de doutorados em engenharia civil. (6)
Nenhum desses exemplos tem relação causal, mas todos têm alta correlação estatística (6).
Na saúde, o risco é mais sério. Manchetes como “estudo mostra que X previne câncer” frequentemente são baseadas em associações observadas em estudos transversais ou ecológicos, sem controle adequado de confundidores. A falácia ecológica, que ocorre quando se extrapola associações de grupo para o nível individual, é particularmente comum nesse tipo de cobertura jornalística.
O impacto de tal interpretação e compartilhamento incorreto, e em muitos casos incorente, pode fazer com que pessoas se exponham a esse fator, e consequentemente, tenham consequências relacionadas a isso.
Como não cair nesse erro no seu estudo
-
Escolha o delineamento certo.
-
Identifique os possíveis confundidores antes de coletar dados e planeje como controlá-los.
-
Nunca afirme causalidade sem evidência suficiente. Use expressões como “associado a” em vez de “causa”.
-
Conheça os critérios de Hill e avalie sua associação à luz deles.
Conclusão
Distinguir correlação de causalidade é uma das habilidades mais fundamentais de qualquer pesquisador. Uma associação estatística, mesmo forte e significativa, nunca é prova suficiente de causalidade sem que se avalie a temporalidade, a plausibilidade biológica e o controle de confundidores.
Para entender como o viés de informação e o viés de seleção também podem distorcer associações, veja nosso guia completo sobre viéses em epidemiologia.
Quer aprender a identificar correlações espúrias, controlar confundidores e escolher o delineamento certo? O Epidemiologia na Prática cobre exatamente isso com exemplos reais.
Tem um projeto e quer revisar se as conclusões são metodologicamente sólidas? Fale com a consultoria.
Perguntas frequentes sobre correlação e causalidade
O que é correlação em epidemiologia?
Correlação é uma medida estatística que indica o grau em que duas variáveis se movem juntas. Não revela se A causa B, se B causa A, ou se ambas são causadas por um terceiro fator. Por isso, correlação é necessária, mas não suficiente, para inferir causalidade.
O que é variável de confusão?
Variável de confusão (“confundidor”) é um terceiro fator que se associa tanto à exposição quanto ao desfecho, podendo criar ou mascarar associações. No exemplo clássico do sorvete e afogamentos, a temperatura é o confundidor: ela aumenta o consumo de sorvete e também o número de pessoas nas piscinas.
Como a epidemiologia avalia se uma associação é causal?
Os Critérios de Bradford Hill (1965) são a referência clássica: força da associação, consistência, especificidade, temporalidade, gradiente dose-resposta, plausibilidade biológica, coerência, análogia e evidência experimental. A temporalidade (a exposição deve preceder o desfecho) é o único critério considerado obrigatório.
Estudo transversal avalia causalidade?
Não. O estudo transversal mede exposição e desfecho ao mesmo tempo, o que impossibilita estabelecer qual veio primeiro. Por isso, estudos transversais identificam associações e geram hipóteses, mas não permitem concluir que a exposição causou o desfecho.
O que é falácia ecológica?
Falácia ecológica é o erro de extrapolar associações observadas em grupos (dados agregados) para o nível individual. Por exemplo: uma região com alta renda média e baixa mortalidade não significa que os indivíduos ricos são os que menos morrem. Estudos ecológicos são úteis para gerar hipóteses, nunca para conclusões causais individuais.
Referências
-
Rothman KJ, Greenland S, Lash TL. Modern Epidemiology. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2008. ISBN: 978-0-7817-5564-1.
-
Hulley SB, Cummings SR, Browner WS, Grady DG, Newman TB. Delineando a Pesquisa Clínica: uma Abordagem Epidemiológica. 4ª ed. Porto Alegre: Artmed; 2015. ISBN: 978-85-8271-039-4.
-
Gordis L. Epidemiology. 5th ed. Philadelphia: Elsevier Saunders; 2014. ISBN: 978-1-4557-3733-8.
-
Hill AB. The environment and disease: association or causation? Proc R Soc Med. 1965;58(5):295-300. DOI: 10.1177/003591576505800503.
-
Lima-Costa MF, Barreto SM. Tipos de estudos epidemiológicos: conceitos básicos e aplicações na área do envelhecimento. Epidemiol Serv Saúde. 2003;12(4):189-201. DOI: 10.5123/S1679-49742003000400002.
-
Vigen T. Spurious Correlations. New York: Hachette Books; 2015. ISBN: 978-0-316-33938-9.
Continue lendo
O que é epidemiologia? Definição, objetivos e importância para a saúde pública [atualizado 2026]
O que é epidemiologia, para que serve e por que é fundamental para a saúde pública? Entenda a definição, os objetivos e os principais métodos dessa ciência.
O que são DALYs e por que o Brasil deveria se preocupar com esse indicador
DALY (Disability-Adjusted Life Year) é o indicador que mede anos de vida saudável perdidos. Entenda como ele funciona e o que revela sobre o Brasil.
O que é o Global Burden of Disease e por que o Brasil deveria prestar mais atenção [atualizado GBD 2023]
Conheça o Global Burden of Disease (GBD) 2023, o maior estudo epidemiológico do mundo, e entenda o que ele revela sobre a saúde do Brasil em 2023.