Capítulo 3 Pensamento causal
3.1 Causalidade
3.1.2 Quais os dois grandes tipos de causalidade?
Baseada em experiência: conhecimento empírico, muitas vezes sem compreensão dos mecanismos. Estatística tem papel central na causalidade baseada em experiência.49
Mecanicista: busca entender processos internos e mecanismos. Estatística tem seu papel ainda limitado, mas crescente, especialmente em sistemas complexos.49
3.2 Abordagens filosóficas e estatísticas da causalidade
3.2.1 O que é realidade causal?
- A estatística assume tanto a presença do acaso quanto de causalidade. Entretanto, a natureza de cada um (se essencial ou apenas reflexo de ignorância) é raramente debatida.49
3.2.2 Por que estatísticos historicamente evitaram falar em causalidade?
Pearson e Fisher defenderam que estatística trata apenas de associação, não de causalidade, o que gerou cautela excessiva e paralisou avanços em áreas como economia e ciências sociais.49
Autores como Judea Pearl, Robins e Rubin trouxeram definições mais precisas, especialmente via modelos contrafactuais.49
O uso de ensaios clínicos aleatorizados consolidou o papel da estatística em inferência causal aplicada.49
3.3 Ilusões de causalidade
3.3.1 O que são ilusões de causalidade?
- Ocorrem quando acreditamos que há uma relação causal entre dois eventos que, na realidade, são independentes. São comuns em superstições, pseudociências e crenças do cotidiano.50
3.3.2 Quais fatores favorecem a ilusão?
Alta frequência do desfecho: quando o resultado ocorre frequentemente por acaso, as pessoas superestimam a eficácia da causa (ex.: melhora espontânea de sintomas atribuída a um tratamento).50
Alta frequência da causa: quanto mais vezes um comportamento ou tratamento é aplicado, mais coincidências com o desfecho ocorrem, aumentando a crença no efeito.50
Coincidências causa–desfecho: damos peso desproporcional a casos em que causa e efeito ocorrem juntos, mesmo que sejam apenas coincidências.50
3.3.3 Como reduzir ilusões de causalidade?
Ensinar princípios de controle científico, observando casos em que a causa está ausente (comparação necessária para detectar ausência de relação).50
Diminuir a frequência da causa (ex.: reduzir uso de um “remédio ineficaz” ajuda a perceber que o resultado ocorre independentemente).50
Instruções explícitas para testar hipóteses: orientar a aplicar a causa em apenas 50% das vezes favorece a detecção correta da ausência de efeito.50
Promover educação científica prática, mostrando às pessoas como seus próprios julgamentos podem ser enviesados e oferecendo ferramentas para avaliação crítica.50
3.4 O papel do tempo e a causalidade dinâmica
3.4.1 O que é causalidade de Granger?
É um conceito estatístico que analisa como processos passados influenciam o futuro, indo além da simples associação.49
Permite identificar relações direcionais entre processos ao longo do tempo (ex.: cérebro controlando contrações musculares).49
A estatística, nesse contexto, busca “olhar dentro da caixa”, aproximando-se de uma visão mecanicista.49
3.4.2 Por que o tempo é essencial na análise causal?
Processos causais não ocorrem de forma estática: efeitos diretos e indiretos se acumulam em cadeias temporais.49
Modelos tradicionais (ex.: regressões estáticas ou DAGs sem tempo) podem falhar em capturar a dinâmica.49
A integração de séries temporais e processos estocásticos é fundamental para compreender mecanismos.49
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,