Aprovechando que ya se han anunciado los nombres de los galardonados con los Premios Nobel de este año, resulta oportuno recuperar una anécdota que ayuda a entender mejor la ciencia para no dejarse llevar por polémicas mediáticas con sesgos importantes. Esta historia fue difundida recientemente por el nutricionista Juan Revenga. En 2012, Franz H. Messerli, un prestigioso cardiólogo vinculado al St. Luke's Roosevelt Hospital y a la Universidad de Columbia en Nueva York, publicó en la revista médica The New England Journal of Medicine un artículo en el que mostraba algo extraordinario: comer chocolate podía contribuir a que un país recibiera más Premios Nobel. Para comprobarlo, Messerli cruzó dos datos: el consumo anual de chocolate por habitante de distintos países y el número de Premios Nobel obtenidos por cada 10 millones de habitantes. El resultado fue espectacular, sin necesidad de inventar ni falsear ningún dato. Cuanto mayor era el consumo de chocolate, mayor era también el número de laureados. La correlación entre chocolate y Premios Nobel existía, era intensa y resultaba estadísticamente significativa. Correlación no implica causalidad Sin embargo, el artículo de Messerli no demostraba que el chocolate produjera Premios Nobel, ni tampoco lo pretendía. En realidad, quería mostrar hasta qué punto dos variables pueden estar relacionadas entre sí sin que una sea necesariamente la causa de la otra; es decir, que correlación no implica necesariamente causalidad. La correlación estadística describe una asociación entre dos variables. Si al aumentar una también tiende a aumentar la otra, se trata de una correlación positiva; si una aumenta mientras la otra disminuye, será negativa. Es posible cuantificar hasta qué punto esa relación es más o menos estrecha, pero nada de eso explica por qué existe esa relación entre los datos. Cuando dos variables (X e Y) están correlacionadas, existen varias posibilidades: puede que X influya sobre Y, que Y influya sobre X, o que exista una tercera variable que explique ambas. Además, la asociación puede ser producto del azar, de la selección de datos o de otros sesgos del estudio. De hecho, existen multitud de ejemplos de correlaciones espurias. En verano aumentan tanto las ventas de helados como los ahogamientos en piscinas o playas, pero no se puede concluir que comer helados provoque ahogamientos, puesto que lo habitual es que ambas variables se incrementen en la época estival. Del mismo modo, existe una correlación entre el número de personas que se ahogaron tras caer en una piscina entre 1999 y 2009 y la cantidad de películas en las que apareció el actor Nicolas Cage en el mismo periodo. Independientemente del aprecio hacia el actor, tampoco es el responsable de esos sucesos. Cómo exige la ciencia probar una causa Por tanto, la estadística puede señalar que dos fenómenos aparecen relacionados en unos datos determinados, pero establecer que uno causa el otro exige bastante más. Es altamente improbable que la ciencia establezca una relación causal a partir de un único resultado. Para defender que una causa produce realmente un determinado efecto, hay que reunir evidencias procedentes de distintas fuentes y comprobar que otras explicaciones sean menos plausibles. Una condición elemental es la temporalidad: la supuesta causa debe preceder al efecto. También resulta relevante comprobar si la asociación se produce en diferentes estudios y poblaciones, si hay mecanismos compatibles con el efecto observado y, sobre todo, si la asociación persiste después de tener en cuenta otras variables capaces de explicarla. La inferencia causal depende del conjunto de la evidencia y de la capacidad de descartar explicaciones alternativas. El problema con la evidencia en el debate público Esta confusión entre correlación y causalidad es una de las explicaciones de nuestro problema con la evidencia científica, y está detrás de una parte nada despreciable de los titulares sensacionalistas y las polémicas mediáticas. Un ejemplo reciente se encuentra en la publicación, en el pasado mes de septiembre, de los resultados del informe PISA del año 2025. Cuando el rendimiento en matemáticas o lectura cae, es habitual que la opinión pública busque culpables inmediatos apoyándose en correlaciones superficiales. Sin embargo, los datos del informe PISA deben ser analizados con cautela: aunque ofrece resultados que sugieren ciertas correlaciones, el tipo de pregunta y el enfoque metodológico no permiten establecer una causa-efecto clara, y menos en un contexto como la educación, donde la realidad responde a problemas multifactoriales. Antes de aceptar ciertas conclusiones, conviene comprobar en qué tipo de pruebas y estudios se basan, porque los datos pueden ser perfectamente correctos y, sin embargo, su interpretación perfectamente equivocada.
