Correlação espúria: uma armadilha estatística importante (e como evitá-la)

Em estatística e em machine learning, um padrão não é o mesmo que uma resposta.

Você provavelmente já viu o gráfico que relaciona vendas de sorvete a afogamentos, ou aquele que conecta filmes do Nicolas Cage a mortes em piscinas. Eles chamam atenção e são memoráveis, mas são exemplos claros de que correlação não é causação. Além disso, estão tão batidos que acabam ocultando por que esse problema importa no seu trabalho.

Pense em correlação espúria como uma relação aparente entre duas variáveis que não é causada por nenhuma conexão real. A ligação existe por coincidência ou por uma variável oculta que você não está monitorando. Se você tratar isso como informação valiosa, vai perder tempo perseguindo padrões que não fazem sentido e não se sustentam no mundo real.

Neste artigo, vou explicar por que correlações espúrias acontecem, como identificá-las e como evitar basear decisões nelas.

Mas, afinal, o que é correlação? Leia nosso post sobre como medir relações em dados para conhecer os diferentes tipos de coeficientes de correlação e suas aplicações.

O que é correlação espúria?

Correlação espúria é uma relação estatística aparente entre duas variáveis que não é causada por nenhuma conexão real entre elas.

O valor da correlação em si é real. Quando você roda a análise, obtém um número que parece significativo e razoável. Nada no cálculo está errado ou inventado — e é justamente aí que mora o problema.

O que falta é a causação.

Nada em uma variável está fazendo a outra acontecer. Elas podem se mover juntas por razões que não têm relação entre si — ou por razão nenhuma. Essa diferença entre o que os dados mostram e o que realmente está acontecendo é o cerne da correlação espúria.

Por que correlações espúrias acontecem

Quase sempre dá para explicar correlações espúrias por alguns mecanismos. Quando você sabe o que procurar, deixa de confiar cegamente na correlação.

Variáveis de confusão

Um confundidor é uma variável oculta que influencia as duas coisas que você está medindo.

No clássico exemplo do sorvete e dos afogamentos, as vendas de sorvete não causam afogamentos. O clima quente impulsiona ambos — mais gente compra sorvete e mais gente nada, o que aumenta os afogamentos.

A temperatura é o confundidor aqui. Se ela não estiver no seu monitoramento, é fácil passar batido.

Coincidência

Às vezes duas variáveis se movem juntas sem motivo algum.

Se você fizer comparações demais em conjuntos de dados suficientes, algumas delas vão se alinhar por acaso. É exatamente assim que surge a correlação entre Nicolas Cage e mortes em piscinas — duas séries temporais não relacionadas que andaram juntas nos mesmos anos.

Com variáveis demais em jogo, algum nível de alinhamento aleatório é esperado.

Tendências comuns

Algumas variáveis simplesmente se movem juntas ao longo do tempo, e essa sobreposição pode parecer uma relação mesmo quando não existe.

Pense em população, PIB, uso da internet e produção de plástico. Muitas delas crescem há décadas. Se você comparar qualquer duas, vai obter uma forte correlação simplesmente porque ambas estão em tendência de alta.

Mas elas só compartilham a direção — não há conexão entre as variáveis em si.

Viés de amostragem

Uma correlação espúria também pode vir dos dados que você coletou, e não do mundo que eles deveriam representar.

Se sua amostra não reflete a população estudada, você pode acabar com uma relação que existe só no seu dataset. Pesquise clientes exclusivamente pelo app, por exemplo, e vai descobrir que o "uso do app" correlaciona com todo tipo de coisa. Não é porque o uso do app causa esses efeitos, e sim porque sua amostra é enviesada para pessoas que usam apps.

Exemplos de correlação espúria

Correlação espúria é mais comum do que parece. Veja como identificar e o que fazer a respeito.

Exemplos estatísticos clássicos

A correlação entre sorvete e afogamentos é a mais conhecida. Vendas de sorvete e mortes por afogamento sobem e descem juntas, mas nenhuma causa a outra. O clima quente é o confundidor que impulsiona as duas ao mesmo tempo.

O exemplo do Nicolas Cage é diferente. A produção de filmes ao longo dos anos correlaciona com o número de afogamentos em piscinas no mesmo período, sem qualquer variável de confusão envolvida. É coincidência — duas tendências não relacionadas que se alinharam.

Ambos provam o ponto sobre correlação espúria, mas, infelizmente, no mundo real isso raramente fica tão óbvio.

Exemplos de negócios e pesquisa

Em analytics de negócios, correlações espúrias costumam se esconder atrás de números que parecem ter a ver entre si.

Imagine que uma empresa acompanha gasto semanal em marketing e receita semanal por dois anos. Você pode usar este código em Python para seguir junto:

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

Você verá uma forte correlação positiva entre marketing_spend e revenue. É tentador ler isso como "gasto em marketing aumenta a receita" — e talvez aumente —, mas o código acima não prova isso. As duas variáveis estão sendo impulsionadas pelo mesmo ciclo sazonal de demanda. Se a empresa gasta mais na mesma semana em que a demanda naturalmente é alta, a correlação aparece independentemente de o marketing ter feito diferença ou não.

Esse é um erro comum em muitas análises de negócios.

Coisas como comportamento do cliente e resultados de marketing variam com as estações, a economia ou uma dúzia de outros fatores ocultos. Duas métricas correlacionarem não diz qual delas — se alguma — é responsável.

Exemplos em machine learning

Modelos de machine learning não sabem o que é "causa". Eles apenas encontram o padrão que reduz o erro e, se um atalho funciona nos dados de treino, o modelo vai usá-lo.

Por exemplo:

• Dependência do fundo: um classificador de imagens treinado para detectar vacas aprende a associar pastos verdes a "vaca", não o animal em si. Se você mostrar uma vaca na praia, ele falha.
• Substitutos demográficos e geográficos: um modelo treinado com dados históricos usa CEP como proxy para renda ou raça, mesmo quando nenhuma dessas variáveis está no treino.
• Artefatos do dataset: um modelo de imagens médicas aprende que exames de uma máquina mais antiga de um hospital correlacionam com doença, porque aquele hospital tratava casos mais graves — não porque a máquina revele algo sobre a doença.

A mesma ideia, agora em um exemplo sintético que você pode rodar. Um modelo prevê risco de inadimplência e zip_code atua como proxy para income, que é a variável 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"]))

Pontuação do modelo no exemplo de machine learning

Este modelo consegue prever risco de inadimplência usando apenas zip_code, sem nunca ver income. Neste dataset, funciona — mas, se você levar para uma cidade onde o padrão entre CEP e renda não se verifica, a acurácia do modelo cai.

Esse é o problema do aprendizado por atalho.

Um modelo baseado em correlação espúria pode ir bem nos dados de treino e falhar assim que encontra um ambiente em que aquela correlação não se aplica.

Como detectar uma correlação espúria

A má notícia é que você não consegue eliminar correlações espúrias por completo, mas dá para criar hábitos que capturam a maioria delas.

Aqui vão algumas dicas práticas:

• Investigue variáveis de confusão: antes de confiar em uma correlação, pergunte o que mais pode estar impulsionando ambas as variáveis. Temperatura e sazonalidade são suspeitos comuns.
• Use conhecimento de domínio: se a relação não faz sentido pelo que você sabe do assunto, não deixe a estatística se sobrepor a esse instinto.
• Visualize os dados: um gráfico de dispersão ou uma série temporal muitas vezes revela uma tendência compartilhada ou um outlier evidente que o coeficiente de correlação esconde.
• Rode testes estatísticos adicionais: correlação parcial ou verificar se a relação se mantém em diferentes subgrupos pode confirmar ou derrubar a correlação.
• Projete experimentos quando possível: testes controlados e randomizados eliminam confundidores, já que você controla qual grupo recebe qual tratamento.

Resumindo: um coeficiente de correlação diz que duas coisas se moveram juntas. Se isso significa algo, é você quem decide.

Correlação espúria vs. outros conceitos estatísticos

Alguns termos são usados como sinônimo de correlação espúria e isso gera confusão. Nesta seção, mostro o que esses conceitos são e como diferem.

Correlação espúria vs. confusão

Confusão é uma causa específica de uma correlação espúria. Não é sinônimo dela.

Há confusão quando uma terceira variável influencia as duas variáveis medidas, criando uma relação que parece direta, mas não é. Temperatura pode ser um confundidor porque impulsiona tanto vendas de sorvete quanto afogamentos.

Correlação espúria é o guarda-chuva mais amplo. Ela inclui confusão, mas também coincidência, viés de amostragem e tendências compartilhadas ao longo do tempo — nada disso exige uma terceira variável oculta. O exemplo do Nicolas Cage não é confusão, já que não há variável conectando produção de filmes a mortes em piscinas. É só acaso. Mas continua sendo espúrio.

Portanto, toda relação com confundidor é espúria. Nem toda relação espúria é por confusão.

Correlação espúria vs. causação

Uma correlação espúria e uma relação causal podem produzir o mesmo gráfico de dispersão. A diferença está no que acontece por trás — e isso muda o que você pode fazer com os dados.

Aqui vai um resumo das diferenças:

Uma correlação espúria nunca implica causação, por mais forte que pareça o coeficiente. Provar causação exige experimentos controlados ou métodos de inferência causal que vão além de um único teste estatístico.

Como reduzir o risco de correlações espúrias

Identificar correlação espúria depois que ela acontece já ajuda. Mas é muito melhor construir um fluxo de trabalho que evite o problema desde o início.

No seu fluxo, faça o seguinte:

• Colete dados melhores: muitas correlações espúrias começam com uma amostra que não representa o que você quer estudar. Antes de analisar, verifique se a coleta cobre a população certa, nas condições certas.
• Use experimentos randomizados quando possível: a randomização é a melhor defesa contra confundidores, pois distribui variáveis ocultas de forma equilibrada entre os grupos. Se puder rodar um teste A/B em vez de depender de dados observacionais, faça isso.
• Valide em novos datasets: uma correlação que só aparece em um único conjunto é sinal de problema. Teste se a relação se mantém em dados de outro período, por outra pessoa, outra população ou outra fonte antes de confiar nela.
• Faça análise causal: técnicas como controle de confundidores ou gráficos causais vão além do "essas duas coisas se movem juntas" e testam se uma realmente influencia a outra.
• Inclua expertise de domínio: quem entende do assunto costuma identificar uma relação espúria que um teste estatístico não pega. Se a correlação não resiste ao conhecimento de domínio, questione antes de construir em cima dela.

Sinceramente, nenhum desses passos garante que você vai pegar todas as correlações espúrias, mas juntos eles reduzem bastante o risco de chegar a uma conclusão ou a um modelo pouco confiável.

Conclusão

Um coeficiente de correlação alto pode parecer uma resposta, mas, para profissionais de dados mais experientes, ele é na verdade uma pergunta.

O número diz que duas coisas se moveram juntas. Ele não diz por quê, e tratá-lo como prova de causação é como surgem suposições erradas, pesquisas mal interpretadas, decisões de negócio equivocadas e modelos que falham assim que veem novos dados. O que está por trás dos números importa mais do que os números em si.

É por isso que as conclusões mais sólidas nunca vêm só da estatística, mas da combinação entre estatística e conhecimento de domínio. Usando ambos, você chega a conclusões que se sustentam fora do dataset que as gerou.

Se correlação e correlação espúria ainda parecem confusas, explore nossa seleção de cursos de Probabilidade e Estatística. Cobrimos desde introdução até desenho experimental e testes de hipótese.