📊 statistics

Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

Este artigo demonstra que, sob confusão não mensurada, o aumento dos tamanhos das amostras pode levar paradoxalmente a uma maior certeza estatística na identificação de estruturas causais falsas baseadas em proxies observáveis, destacando um descompasso fundamental entre a confiança estatística e a recuperação de mecanismos causais verdadeiros.

Autores originais: Mark Louie F. Ramos

Publicado 2026-07-31

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mark Louie F. Ramos

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério, mas consegue ver apenas as pistas deixadas para trás, não o culpado em si. Este é o mundo da inferência causal observacional, um ramo da ciência onde pesquisadores tentam descobrir o que causa o quê usando dados do mundo real, em vez de realizar experimentos controlados. Neste campo, uma "causa" é como um dominó que derruba outro dominó (o "efefeito"). No entanto, existe uma regra complicada: só porque duas coisas acontecem ao mesmo tempo (elas estão "associadas"), não significa que uma causou a outra. Às vezes, um terceiro fator oculto — um "confundidor" — está secretamente impulsionando ambas. Por exemplo, as vendas de sorvete e os ataques de tubarão aumentam no verão, mas o sorvete não causa ataques de tubarão; a causa oculta é o clima quente. Cientistas usam mapas especiais chamados "DAGs" (Grafos Acíclicos Dirigidos) para desenhar suas teorias sobre como esses dominós estão conectados, mas esses mapas dependem de grandes suposições sobre o que eles não podem ver.

A grande questão que todos querem saber é: Podemos algum dia ter certeza de que encontramos a verdadeira causa? À medida que coletamos mais e mais dados, ficamos melhores em detectar padrões. Podemos dizer, com alta confiança, que "A está ligado a B". Mas isso significa que A causa B? Este artigo aborda uma possibilidade assustadora: e se nos tornarmos tão bons em encontrar padrões que fiquamos confiantes demais na resposta errada? Ele sugere que, mesmo com matemática perfeita e quantidades massivas de dados, se a causa real for invisível para nós, podemos acabar construindo uma história muito convincente e estatisticamente sólida sobre o suspeito errado.

O Caso do Marionetista Invisível

Digamos que você esteja tentando descobrir por que uma certa planta em seu jardim está crescendo enorme. Você suspeita que seja o "Super-Fertilizante Secreto" (vamos chamá-lo de X) que um jardineiro misterioso está derramando secretamente no solo. Mas aqui está o detalhe: X é invisível. Você não pode vê-lo, medi-lo ou até saber que ele existe. No entanto, você pode ver outras coisas acontecendo no jardim. Você nota que toda vez que a planta cresce, a mangueira do jardim também está borrifando água (Z). Na realidade, o fertilizante invisível (X) está causando tanto o crescimento da planta quanto o borrifar da mangueira (talvez o fertilizante deixe o solo sedento, ou o jardineim use a mangueira para misturar o fertilizante).

Agora, imagine que você é um cientista de dados com um supercomputador. Você decide estudar o jardim. Você não sabe sobre o fertilizante invisível, então olha apenas para as coisas que consegue ver: o tamanho da planta e o spray de água. Você coleta dados de 10 plantas, depois 100, depois 10.000. À medida que obtém mais dados, seu computador fica melhor em detectar a ligação entre o spray de água e o crescimento da planta.

O artigo argumenta que, conforme seus dados aumentam e sua matemática fica mais inteligente, você eventualmente chegará a um ponto em que terá 100% de certeza de que o spray de água causa o crescimento da planta. Seus testes estatísticos gritarão: "Este é um efeito real! Não é um acaso!" Você terá encontrado uma relação "estável e baseada em dados". Mas aqui está a reviravolta: Você está errado. A água não causou o crescimento; o fertilizante invisível o fez. A água era apenas um "proxy" — um substituto que, por acaso, se movia junto com a causa real.

A Armadilha do "Mais Dados"

O autor, Mark Louie F. Ramos, mostra que este não é um erro em sua matemática ou o resultado de "p-hacking" (manipular números para obter um resultado). É uma armadilha fundamental da situação.

Pense nisso como tentar encontrar um fantasma em uma casa mal-assombrada. Você não consegue ver o fantasma (a causa real), mas consegue ver as cortinas se movendo e as luzes piscando (os proxies). Se você ficar parado ali por um longo tempo com uma câmera de alta velocidade, acabará provando com absoluta certeza que "Quando as cortinas se movem, as luzes piscam". Você terá uma prova estatística perfeita e inabalável dessa conexão. Mas se você concluir que "As cortinas causaram o piscar das luzes", você perdeu o fantasma completamente.

O artigo prova que, se você continuar adicionando mais variáveis ao seu estudo (mais coisas que você consegue ver no jardim) e continuar aumentando seu tamanho amostral (observando mais plantas), você inevitavelmente encontrará esses links "perfeitos" entre as coisas erradas. Quanto mais dados você tem, mais confiante você se torna em uma história que é completamente errada sobre o porquê das coisas estarem acontecendo.

Por Que Isso Importa (E O Que Não É)

É importante entender o que este artigo não está dizendo. Não está dizendo que os cientistas são ruins em matemática ou que estão trapaceando ao escolher e selecionar dados. O artigo exclui explicitamente a ideia de que isso seja apenas um "Erro do Tipo 1" (um alarme falso causado por má sorte ou estatísticas ruins). Na verdade, como a causa invisível é real e forte, esses resultados "errados" são, na verdade, mais propensos a serem repetidos do que o ruído aleatório. Se você repetir o experimento com um milhão de plantas, obterá a mesma resposta "errada" repetidas vezes. A associação é real; a causação é a mentira.

O artigo também esclarece que este não é um problema com as ferramentas que usamos (como o teste t). Essas ferramentas são ótimas para nos dizer se duas coisas estão ligadas. O problema é que muitas vezes esquecemos que as ferramentas só funcionam se primeiro concordarmos em um mapa do mundo que inclua as coisas invisíveis. Se o nosso mapa estiver faltando o "fertilizante invisível", as ferramentas dirão alegremente que a "mangueira de água" é a heroína, e farão isso com total confiança.

A Conclusão

A principal descoberta é um pouco desanimadora para aqueles que pensam que o "Big Data" resolverá todos os nossos mistérios. O artigo mostra que mais dados não resolvem o problema das causas ausentes. Em vez disso, eles nos tornam mais confiantes nas respostas erradas.

O autor conclui que precisamos parar de pensar que a análise estatística pode "validar" nossas ideias sobre o que causa o quê. A estatística pode apenas nos dizer o tamanho de um efeito se assumirmos que nosso mapa do mundo está correto. O verdadeiro trabalho — descobrir quais são as causas invisíveis — deve acontecer antes de processarmos os números, usando nossos cérebos, teorias e conhecimento prévio, não apenas nossas calculadoras.

Portanto, da próxima vez que ler um estudo que diz "Encontramos um link estatisticamente significativo e sólido entre A e B", lembre-se do marionetista invisível. Os dados podem ser perfeitos, a matemática pode ser impecável e a confiança pode estar altíssima, mas se a causa real estiver escondida nas sombras, toda a história pode ser uma ilusão muito convincente.

Resumo Técnico: Emergência Assintótica de Interpretação Causal Falsa Estatisticamente Suportada sob Confundimento Não Mensurado

Definição do Problema
O artigo aborda uma limitação crítica na inferência causal observacional: a tendência de fluxos de trabalho de descoberta causal baseados em dados produzirem interpretações causalmente falsas, porém estatisticamente robustas, quando há confundimento não mensurado presente. Embora seja um princípio fundamental da teoria causal que causas comuns não observadas impedem a recuperação de efeitos causais verdadeiros a partir de dados observacionais isoladamente, o artigo argumenta que as implicações dessa limitação para a descoberta causal são frequentemente subestimadas. Especificamente, à medida que os conjuntos de dados observacionais se tornam maiores e mais ricos, procedimentos estatísticos padrão podem convergir cada vez mais para associações estáveis e significativas envolvendo variáveis de proxy observáveis, interpretando erroneamente essas correlações não causais como evidência de mecanismos causais.

Metodologia e Configuração
O autor formaliza este fenômeno através de um framework teórico assintótico envolvendo um Grafo Acíclico Dirigido (DAG):

Estrutura Verdadeira: Uma variável causal verdadeira $X$ existe tal que $X \to Y$ com um efeito total $\rho$ , mas $X$ é não observada ( $X \notin O$ ).
Proxies: Uma sequência de variáveis observáveis $\{Z_j\}$ existe no conjunto observado $O$ . Estas variáveis são proxies não causais de $X$ (isto é, $X \to Z_j$ ), mas não possuem uma aresta causal direta para o resultado ( $Z_j \not\to Y$ ). No entanto, devido à correlação com $X$ , elas exibem covariância não nula tanto com $X$ quanto com $Y$ ( $Cov(X, Z_j) \neq 0$ e $Cov(Z_j, Y) \neq 0$ ).
Expansão de Dados: A análise considera uma sequência de subconjuntos crescentes de variáveis observadas $\{O_k\}$ e tamanhos de amostra crescentes $n$ .
Procedimento: Um procedimento de descoberta causal $\mathcal{A}_{k,n}$ testa hipóteses da forma $H_0: \theta_i = 0$ (ausência de associação) versus $H_1: \theta_i \neq 0$ para variáveis focais $W_{i,k} \in O_k$ . O procedimento utiliza estimadores consistentes para a associação $\theta_i$ e testes de hipóteses padrão. Sob a suposição de ausência de confundimento não mensurado entre a variável focal e o resultado, a rejeição de $H_0$ é interpretada como a variável causando $Y$ .

Principais Resultados
O artigo fornece uma caracterização assintótica demonstrando que:

Inclusão Inevitável: À medida que o conjunto de variáveis observadas se expande ( $k \to \infty$ ), a probabilidade de o procedimento incluir pelo menos uma variável proxy $Z_j$ em seus testes de hipótese aproxima-se de 1.
Associação Não Nula: Para qualquer tal proxy $Z_j$ , a associação verdadeira com o resultado é não nula ( $\theta_i \neq 0$ ) devido ao caminho de confundimento através de $X$ .
Certeza Assintótica: À medida que o tamanho da amostra $n \to \infty$ , a probabilidade de o procedimento rejeitar corretamente a hipótese nula para estas proxies aproxima-se de 1, impulsionada pela consistência dos estimadores e pela associação verdadeira não nula.
Conclusão Causal Falsa: Consequentemente, para valores suficientemente grandes de $k$ e $n$ , o procedimento concluirá com probabilidade aproximando-se de 1 que uma variável proxy $Z_j$ causa $Y$ ( $Z_j \to Y$ ), apesar de $Z_j$ não ser um pai causal de $Y$ .

Principais Contribuições
A principal contribuição é a demonstração explícita de que certeza estatística e validade causal são conceitos distintos na presença de confundimento não mensurado. O artigo mostra que:

Quantidade de Dados Não Resolve a Ambiguidade: Aumentar o tamanho da amostra e a riqueza das características observadas não leva necessariamente à identificação da verdadeira estrutura causal. Em vez disso, aumenta a confiança estatística em relações envolvendo proxies observáveis.
Replicabilidade da Causalidade Falsa: Diferente de problemas decorrentes de p-hacking ou inflação do erro do Tipo I (ex: data dredging), estas conclusões causais falsas são robustas e replicáveis. Porque as associações subjacentes são reais (impulsionadas pelo confundidor não observado), repetir o estudo com amostras maiores produzirá consistentemente os mesmos resultados "estatisticamente significativos", porém causalmente incorretos.
Distinção de Suposições: O trabalho esclarece a separação entre suposições de identificação (ex: a estrutura do DAG, ausência de confundimento não mensurado) e suposições estatísticas (ex: normalidade, linearidade). Enquanto as suposições estatísticas podem frequentemente ser validadas ou são robustas a violações menores, as suposições de identificação são rígidas e não podem ser validadas pelos próprios dados.

Significância e Alegações
O artigo não pretende introduzir novos métodos para identificação causal ou desencorajar o uso de inferência causal observacional. Sua significância reside em sublinhar uma fronteira epistemológica fundamental:

Medição vs. Validação: O propósito da inferência causal observacional é medir a magnitude de um efeito condicional a suposições específicas, não validar essas suposições usando os mesmos dados.
A Pergunta Operativa: O enquadramento correto da pesquisa não é "X causa Y?", mas sim "Supondo que X cause Y, qual é a magnitude desse efeito?".
Convergência Assintótica para o Erro: O artigo adverte que estratégias que buscam descobrir DAGs estáveis e baseados em dados a partir de conjuntos de dados cada vez maiores podem convergir assintoticamente para explicações que capturam com precisão as associações observadas, mas atribuem incorretamente a causalidade a variáveis proxy em vez de ao mecanismo não observado.

O autor conclui que pesquisadores, revisores e leitores devem tratar as suposições que sustentam os modelos causais com pelo menos tanto escrutínio quanto a própria análise estatística, reconhecendo que mais dados, por si só, não podem resolver a ambiguidade causal quando a variável causal verdadeira não é observada.

O Caso do Marionetista Invisível

A Armadilha do "Mais Dados"

Por Que Isso Importa (E O Que Não É)

A Conclusão

Mais como este