Correlación espuria: una trampa estadística importante (y cómo evitarla)

En estadística y en machine learning, detectar un patrón no equivale a encontrar una respuesta.

Seguramente has visto la gráfica que relaciona las ventas de helados con los ahogamientos, o aquella que conecta las películas de Nicolas Cage con muertes en piscinas. Llaman la atención y se recuerdan, pero son ejemplos clarísimos de que correlación no implica causalidad. Además, se han usado tanto que ya no ayudan a entender por qué este problema importa en tu trabajo.

Piensa en la correlación espuria como una relación aparente entre dos variables que no se debe a ninguna conexión real. Surge por casualidad o por una variable oculta que no estás siguiendo. Si la tratas como información valiosa, perderás tiempo persiguiendo patrones que no tienen sentido ni se sostienen en el mundo real.

En este artículo, veremos por qué aparecen las correlaciones espurias, cómo detectarlas y cómo evitar tomar decisiones basadas en ellas.

Pero ¿qué es la correlación exactamente? Lee nuestro artículo sobre medir relaciones en datos para conocer los distintos coeficientes de correlación y sus aplicaciones.

¿Qué es una correlación espuria?

Una correlación espuria es una relación estadística aparente entre dos variables que no está causada por ninguna conexión real entre ellas.

El valor de correlación en sí es real. Al ejecutar el análisis, obtienes un valor que parece razonable y significativo. No hay nada incorrecto o inventado en el cálculo, y precisamente ahí está el problema.

Lo que falta es la causalidad.

Nada en una variable está provocando que ocurra la otra. Pueden moverse a la vez por motivos que no tienen que ver entre sí, o por ningún motivo relevante. Esa diferencia entre lo que muestran los datos y lo que realmente está pasando es, en esencia, la correlación espuria.

Por qué ocurren las correlaciones espurias

Las correlaciones espurias casi siempre pueden explicarse por un par de mecanismos. Cuando sabes qué buscar, dejas de confiar ciegamente en la correlación.

Variables de confusión

Un factor de confusión es una variable oculta que influye en ambas cosas que estás midiendo.

Volvamos al clásico de helados y ahogamientos. Las ventas de helados no causan ahogamientos. El calor impulsa ambas: más gente compra helados y más gente se baña, lo que implica más ahogamientos.

La temperatura es el factor de confusión. Si tus datos no la recogen, es fácil pasarla por alto.

Casualidad

A veces dos variables se mueven a la vez sin motivo alguno.

Si comparas suficientes variables en suficientes conjuntos de datos, algunas coincidirán por puro azar. Así surge la correlación entre Nicolas Cage y las muertes en piscinas: dos series temporales no relacionadas que evolucionaron de forma parecida durante los mismos años.

Con muchas variables en juego, cierto grado de alineación aleatoria es esperable.

Tendencias comunes

Hay variables que simplemente se mueven en la misma dirección con el tiempo, y esa superposición puede parecer una relación aunque no exista.

Piensa en población, PIB, uso de internet o producción de plástico. Muchas han crecido durante décadas. Si comparas dos cualesquiera, obtendrás una correlación alta simplemente porque ambas suben.

Pero solo comparten dirección; no hay una conexión real entre las variables.

Sesgo de muestreo

Una correlación espuria también puede venir de los datos que recogiste, no del mundo que se supone que representan.

Si tu muestra no refleja a la población que estudias, puedes acabar con una relación que solo existe en tu dataset. Por ejemplo, si encuestas a clientes exclusivamente desde una app, verás que el "uso de la app" correlaciona con todo tipo de cosas. No porque el uso de la app las cause, sino porque tu muestra está sesgada hacia personas que usan apps.

Ejemplos de correlación espuria

La correlación espuria es más habitual de lo que crees. Así es como puedes detectarla y qué hacer al respecto.

Ejemplos estadísticos clásicos

La correlación entre helados y ahogamientos es la que todo el mundo conoce. Las ventas de helados y las muertes por ahogamiento suben y bajan a la vez, pero ninguna causa la otra. El calor es el factor de confusión y empuja ambas a la vez.

El caso de Nicolas Cage es distinto. Su producción de películas a lo largo de los años correlaciona con el número de ahogamientos en piscinas en el mismo periodo, y no hay ningún factor de confusión de por medio. Es casualidad: dos tendencias no relacionadas que coincidieron.

Ambos ejemplos ilustran bien la correlación espuria, pero por desgracia en los casos reales rara vez se ve tan claro.

Ejemplos en negocio e investigación

En analítica de negocio, las correlaciones espurias suelen esconderse tras números que parecen ir de la mano.

Imagina que una empresa sigue el gasto semanal en marketing y los ingresos semanales durante dos años. Puedes usar este código de Python para seguir el ejemplo:

import numpy as np
import pandas as pd

np.random.seed(42)
weeks = 104

# Seasonal effect
seasonality = 10 * np.sin(np.linspace(0, 8 * np.pi, weeks)) + 20

marketing_spend = seasonality + np.random.normal(0, 2, weeks)
revenue = seasonality * 50 + np.random.normal(0, 30, weeks)

df = pd.DataFrame({
    "week": range(1, weeks + 1),
    "marketing_spend": marketing_spend,
    "revenue": revenue
})

print(df["marketing_spend"].corr(df["revenue"]))

Output: 0.9707905810711147

Obtendrás una correlación positiva fuerte entre marketing_spend y revenue. Es tentador leerlo como "más gasto en marketing aumenta los ingresos", y quizá sea así, pero el código anterior no lo demuestra. Ambas variables están impulsadas por el mismo ciclo estacional de la demanda. Si la empresa gasta más justo cuando la demanda de esa semana es naturalmente alta, la correlación aparecerá haga o no algo el marketing en sí.

Este es un error común en mucha analítica de negocio.

Cosas como el comportamiento del cliente y los resultados de marketing se mueven con las estaciones, la economía o una docena de factores ocultos. Que dos métricas correlacionen no te dice cuál, si es que alguna, es la responsable.

Ejemplos en machine learning

Los modelos de machine learning no saben qué significa "causa". Solo encuentran el patrón que reduce el error, y si un atajo funciona en los datos de entrenamiento, el modelo lo tomará.

Por ejemplo:

• Dependencia del fondo: un clasificador de imágenes entrenado para detectar vacas aprende a asociar praderas verdes con "vaca", no al animal. Si le muestras una vaca en la playa, falla.
• Proxies demográficos y geográficos: un modelo entrenado con datos históricos capta el código postal como proxy de ingresos o raza, aunque esas variables no estén en el conjunto de entrenamiento.
• Artefactos del dataset: un modelo de imagen médica aprende que las exploraciones de una máquina antigua de cierto hospital correlacionan con la enfermedad, porque ese hospital trataba casos más graves, no porque la máquina revele nada sobre la enfermedad.

La misma idea con un ejemplo sintético que puedes ejecutar. Un modelo predice el riesgo de impago y zip_code actúa como proxy de income, que es la variable que realmente importa.

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression

np.random.seed(42)
n = 1000

# Zip code correlates with income, income drives default risk
zip_code = np.random.choice([1, 2, 3], size=n)
income = 80000 - zip_code * 15000 + np.random.normal(0, 5000, n)
default_risk = (income < 40000).astype(int)

df = pd.DataFrame({"zip_code": zip_code, "income": income, "default": default_risk})

model = LogisticRegression()
model.fit(df[["zip_code"]], df["default"])
print(model.score(df[["zip_code"]], df["default"]))

Puntuación del modelo en el ejemplo de machine learning

Este modelo puede predecir el riesgo de impago usando solo zip_code, sin ver jamás income. En este conjunto de datos funciona, pero si lo aplicas a una ciudad nueva donde el patrón entre código postal e ingresos no se cumple, la precisión caerá.

Ese es el problema de aprender atajos.

Un modelo basado en una correlación espuria puede puntuar bien en entrenamiento y aun así fallar en cuanto cambie el entorno y esa correlación deje de aplicarse.

Cómo detectar una correlación espuria

La mala noticia es que no puedes eliminar por completo las correlaciones espurias, pero sí adoptar hábitos que capturen la mayoría.

Algunos consejos prácticos:

• Investiga variables de confusión: antes de fiarte de una correlación, pregúntate qué más podría estar impulsando ambas variables. La temperatura y la estacionalidad son sospechosos habituales.
• Usa conocimiento del dominio: si una relación no encaja con lo que sabes del tema, no dejes que la estadística te haga ignorarlo.
• Visualiza los datos: un diagrama de dispersión o una serie temporal suele mostrar una tendencia compartida o un outlier que el coeficiente de correlación oculta.
• Realiza pruebas estadísticas adicionales: la correlación parcial o comprobar si la relación se mantiene en subgrupos distintos puede confirmar o desmontar una correlación.
• Diseña experimentos cuando sea posible: los ensayos controlados aleatorizados eliminan los factores de confusión, ya que controlas qué grupo recibe cada tratamiento.

En resumen, un coeficiente de correlación te dice que dos cosas se han movido juntas. Si eso significa algo o no, te toca decidirlo a ti.

Correlación espuria frente a otros conceptos estadísticos

Hay términos que se usan como sinónimos de correlación espuria y generan confusión. En esta sección verás qué significan y en qué se diferencian.

Correlación espuria vs. confusión

La confusión es una causa específica de correlación espuria. No es un sinónimo.

Hablamos de confusión cuando una tercera variable influye en las dos variables que estás midiendo, creando una relación que parece directa pero no lo es. La temperatura puede ser un factor de confusión porque impulsa tanto las ventas de helados como los ahogamientos.

La correlación espuria es más amplia. Incluye la confusión, pero también la casualidad, el sesgo de muestreo y las tendencias compartidas en el tiempo, ninguna de las cuales requiere una tercera variable oculta. El ejemplo de Nicolas Cage no es confusión, porque no hay una variable que conecte el número de películas con las muertes en piscinas. Es pura casualidad. Pero sigue siendo espurio.

Así que toda relación confundida es espuria. No toda relación espuria está confundida.

Correlación espuria vs. causalidad

Una correlación espuria y una relación causal pueden producir la misma nube de puntos. La diferencia está en lo que ocurre por debajo, y eso cambia lo que puedes hacer con los datos.

Aquí tienes una tabla con las diferencias:

Una correlación espuria nunca implica causalidad, por fuerte que parezca el coeficiente. Probar la causalidad exige experimentos controlados o métodos establecidos de inferencia causal que van más allá de una prueba estadística aislada.

Cómo reducir el riesgo de correlaciones espurias

Detectar una correlación espuria a posteriori es útil. Pero es mucho mejor construir un flujo de trabajo que la evite desde el principio.

Esto es lo que deberías hacer en ese flujo:

• Recoge mejores datos: muchas correlaciones espurias empiezan con una muestra que no representa lo que intentas estudiar. Antes de analizar, comprueba que tu recogida de datos cubre la población adecuada bajo las condiciones adecuadas.
• Usa experimentos aleatorizados cuando puedas: la aleatorización es la mejor defensa contra la confusión, porque reparte las variables ocultas de forma uniforme entre grupos. Si puedes hacer un test A/B en lugar de basarte en datos observacionales, hazlo.
• Valida con nuevos datasets: una correlación que solo aparece en un dataset es una señal de alerta. Prueba si la relación se mantiene con datos de otro periodo, otra persona, otra población u otra fuente antes de fiarte.
• Realiza análisis causal: técnicas como controlar factores de confusión o usar grafos causales te permiten ir más allá de "se mueven juntos" y comprobar si uno influye realmente en el otro.
• Incluye experiencia del dominio: alguien que conoce el tema a fondo detectará a menudo relaciones espurias que una prueba estadística no ve. Si una correlación no encaja con el conocimiento del dominio, ponla en duda antes de construir sobre ella.

Siendo realistas, nada de esto garantiza detectar todas las correlaciones espurias, pero en conjunto reduce el riesgo de llegar a conclusiones o modelos poco fiables.

Conclusión

Un coeficiente de correlación alto puede parecer una respuesta, pero para los profesionales de datos con experiencia es, en realidad, una pregunta.

Ese número te dice que dos cosas se han movido juntas. No te dice por qué, y tomarlo como prueba de causalidad es el camino para asumir mal, malinterpretar investigaciones, tomar decisiones de negocio equivocadas y construir modelos que fallan en cuanto ven datos nuevos. Lo que hay detrás de los números importa más que los números en sí.

Por eso las conclusiones más sólidas no salen solo de la estadística, sino de combinar estadística y conocimiento del dominio. Cuando usas ambas, llegas a conclusiones que se mantienen fuera del conjunto de datos que las generó.

Si la correlación y la correlación espuria te generan dudas, explora nuestra selección de cursos de probabilidad y estadística. Cubrimos desde la introducción al diseño experimental hasta las pruebas de hipótesis.