Siempre que la correlación sea imperfecta, los resultados extremos se suavizarán con el tiempo. Lo mejor siempre parecerá empeorar y lo peor parecerá mejorar, independientemente de cualquier acto.
Esto se llama regresión a la media y significa que debemos tener mucho cuidado al diagnosticar la causalidad. Esto es algo que solemos tener dificultades para entender. Un ejemplo que ilustra el problema, es el ejemplo que propone Daniel Kahneman en su libro Pensar rápido, Pensar despacio
“Los niños deprimidos tratados con una bebida energética mejoran significativamente durante un período de tres meses. Me inventé el titular de este periódico, pero el hecho de que informa es cierto: si trataras a un grupo de niños deprimidos durante algún tiempo con una bebida energética, mostrarían una mejora clínicamente significativa. También es el caso de que los niños deprimidos que pasan algún tiempo de pie sobre su cabeza o abrazan a un gato durante veinte minutos al día también mostrarán mejoría.”
Nuestro cerebro está diseñado para buscar relaciones de causalidad. Al leer este ejemplo, seguramente hayamos imaginado que tomar bebidas energéticas es suficiente para animar a alguien deprimido.
“Los niños deprimidos son un grupo extremo, están más deprimidos que la mayoría de los demás niños, y los grupos extremos retroceden a la media con el tiempo. La correlación entre las puntuaciones de depresión en sucesivas ocasiones de prueba es menos que perfecta, por lo que habrá una regresión a la media: los niños deprimidos mejorarán un poco con el tiempo, incluso si no abrazan a ningún gato y no beben Red Bull.”
Pero esto no es verdad, en realidad lo único que ha pasado es que hemos elegido a un subgrupo que está muy por debajo de la media en un aspecto, y hemos visto que ha mejorado, han revertido hacia la media. Este estudio por sí solo, no nos dice nada, necesitariamos más estudios y grupos de control, a los que no se les ofrezca nada, para ver si el cambio es aleatorio o real.
Este problema de percepción nace de nuestra dificultad para diferenciar entre causalidad, y correlación.
Solemos confundir el significado de los términos correlación y causalidad. Correlación significa que cuando un fenómeno sucede, otro sufre un cambio en el mismo periodo de tiempo observado. Estos cambios pueden ser en la misma dirección, por ejemplo ambos aumentan, o no, uno aumenta y otro disminuye.
Que se den cambios en ambos en el mismo periodo de tiempo no significa que haya una relación entre ellos, al menos no directa. En cambio, cuando hablamos de una relación de causalidad, nos referimos a que los cambios en un elemento x, producen cambios en un elemento y. En este caso si que hay una relación entre ellos, y el orden en que se producen los dos eventos importa, porque uno causa cambios en el otro.
Una forma de ayudar a diferenciar si se trata de correlación o causalidad es usar grupos control. Grupos a los que no ofrecemos el tratamiento que queremos estudiar, para ver si hay cambios debidos a elementos fuera de nuestro control.
Esto es lo que se suele usar para diferenciar entre medicamentos que son efectivos, y medicamente que simplemente tienen un efecto placebo. El hecho de darnos algo “que se supone que nos puede curar”, ya es suficiente para que nos sintamos mejor en muchos casos, porque el dolor es algo que percibimos y que por lo tanto podemos modular.
Para demostrarlo, tan solo tenemos que probar a hacer flexiones con los puños en el suelo, algo que suele ser doloroso, e intentar dejar la mente en blanco. En los momento en que nuestra atención vaya hacia dejar la mente en blanco sentiremos que disminuye el dolor, cuando en realidad es algo imaginado.
Usar grupos control, o lo que en marketing se llama A/B testing o split testing, nos permite determinar si un cambio que hemos hecho produce efectos reales o no.
En los casos en los que no podamos hacerlo, una opción es estudiar resultados pasados, aunque en este caso debido a que no ocurren en el mismo momento, es difícil controlar los efectos aleatorios. Podemos comparar con el promedio de la industria, los pares en el grupo de cohortes o las tasas históricas de mejora, pero ninguna de estas son medidas perfectas.
Lo importante es entender nuestra información lo máximo posible, y reducir la probabilidad de que nos estemos engañando a nosotros mismos porque hemos hecho mal el experimento, o porque no tenemos en cuenta la aleatoriedad intrínseca de los sistemas.

Descubre nuestros mejores artículos en tus redes favoritas

Domina lo mejor de lo que otras personas han descubierto
Únete a Nuestra Newsletter y descubre las mejores ideas, conceptos y prácticas de una amplia gama de disciplinas.

