Correlación no implica causalidad

Qué es

"Correlación no implica causalidad" es la advertencia de que dos series que se mueven juntas no establecen, por ese solo hecho, que una produzca a la otra. La covarianza es una propiedad estadística de los datos; la causalidad es una afirmación sobre qué pasaría si interviniéramos. Son preguntas distintas y se responden con herramientas distintas.

Cuando observamos que X y Y van de la mano, hay al menos cuatro explicaciones compatibles con esa evidencia, y solo una es la que suele darse por sentada:

1. X causa Y, la lectura ingenua.
2. Y causa X (causalidad inversa): el orden temporal real es el opuesto al que sugiere el relato.
3. Una tercera variable Z causa ambas (variable omitida o confusora): X e Y son dos síntomas del mismo proceso.
4. Coincidencia o artefacto estadístico: dos series con tendencia propia correlacionan alto sin tener nada que ver. Yule (1926) mostró que con series temporales tendenciales se obtienen "correlaciones sin sentido" de forma sistemática, y Granger y Newbold (1974) demostraron que una regresión entre dos paseos aleatorios independientes produce coeficientes "significativos" y R² altos con altísima frecuencia. El problema no es la mala suerte: es la aritmética.

A eso se suma el sesgo de selección: la muestra que miramos ya está filtrada por el resultado. Comparar los países que hoy son ricos y ver qué tienen en común es mirar a los sobrevivientes; los que aplicaron la misma receta y fracasaron no aparecen en la tabla.

La estadística formalizó la distinción de dos maneras complementarias. El marco de resultados potenciales de Rubin (1974) define el efecto causal como la diferencia entre lo que le pasa a una unidad tratada y lo que le habría pasado sin el tratamiento —un contrafactual que por definición no se observa—, y de ahí que el problema causal sea, en el fondo, un problema de datos faltantes. Pearl (2009) lo formalizó con grafos y con el operador do, que separa "ver" (la distribución condicional observada) de "hacer" (la distribución bajo intervención). Ambos coinciden en lo esencial: para hablar de causa hace falta un supuesto de identificación explícito, no un coeficiente alto.

Conviene despejar una confusión frecuente: la causalidad de Granger (Granger, 1969) no prueba causalidad. Verifica si los valores pasados de X ayudan a predecir Y más allá del propio pasado de Y. Es precedencia predictiva, no mecanismo.

La caja de herramientas para pasar de correlación a causa está bien establecida —experimentos aleatorizados, variables instrumentales, diferencias en diferencias, discontinuidad en la regresión, controles sintéticos— y su tratamiento estándar en economía aplicada está en Angrist y Pischke (2009). Todas comparten una exigencia: hay que argumentar por qué la variación que se explota es ajena al resultado que se quiere explicar.

Cómo lo explicó el programa

El caso apareció el 19 de agosto de 2026 en Buenos Días Mercado, a propósito de una columna que comparaba a Zambia y Mozambique (carga tributaria baja) con Finlandia y Noruega (carga tributaria alta) para concluir que a Chile le convendría tributar más. Willy Díaz lo cortó de raíz: "No hay relación causal entre impuestos altos y crecimiento económico, que es lo que él plantea".

El argumento del programa fue, punto por punto, el catálogo de arriba. La causalidad va al revés: esos países llegaron a tasas altas después de resolver su problema de crecimiento, no antes. La base imponible es una tercera variable: Finlandia y Noruega recaudan sobre una base mucho mayor que la chilena, así que la tasa no es comparable en su efecto ni en su origen. El desempeño actual desmiente la lectura ingenua: hoy crecen 0,1% o 0,5%, precisamente porque un estado de bienestar maduro es difícil de mejorar. Y lo que se entrega a cambio —la calidad del servicio— es distinto, con lo que ni siquiera se está comparando el mismo bien. Díaz cerró la puerta a la caricatura ideológica: Finlandia no es socialista, opera con una de las economías de mercado más desarrolladas del mundo.

Relación con otros conceptos

El caso del programa es el ejemplo de manual del sesgo de variable omitida y de la causalidad inversa operando juntos. La segunda tiene incluso nombre propio en finanzas públicas: la ley de Wagner (Wagner, 1883) postula que el gasto público crece más que proporcionalmente con el ingreso, es decir, que la riqueza precede a la carga tributaria alta y no al revés.

La observación sobre el crecimiento de 0,1% conecta con la convergencia del modelo de Solow: las economías en la frontera tecnológica crecen despacio porque ya no pueden crecer imitando, y las rezagadas tienen espacio para crecer rápido sin que eso diga nada sobre sus impuestos. Sumado a la enfermedad de costos de Baumol, explica por qué un país rico y de servicios crece lento sin que su sistema tributario sea el culpable.

En el plano estadístico, el fenómeno emparenta con la regresión espuria, la paradoja de Simpson —donde una relación se invierte al agregar o desagregar grupos— y el supuesto ceteris paribus, que en datos observacionales nunca se cumple solo. La respuesta metodológica moderna en macroeconomía comparada es explotar variación exógena, como hicieron Acemoglu, Johnson y Robinson (2001) para separar el efecto de las instituciones del de la geografía y el ingreso.

Fuentes y lecturas

• Yule, G. U. (1926), Why Do We Sometimes Get Nonsense-Correlations between Time-Series?, Journal of the Royal Statistical Society, 89(1).
• Granger, C. W. J. y Newbold, P. (1974), Spurious Regressions in Econometrics, Journal of Econometrics, 2(2).
• Rubin, D. B. (1974), Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies, Journal of Educational Psychology, 66(5).
• Angrist, J. y Pischke, J.-S. (2015), Mastering 'Metrics: The Path from Cause to Effect, Princeton University Press.
• Pearl, J. y Mackenzie, D. (2018), The Book of Why: The New Science of Cause and Effect, Basic Books.
• Stock, J. y Watson, M. (2020), Introduction to Econometrics, 4ª ed., Pearson (capítulos de validez interna y externa).