Confundir correlación con causalidad

¿Te ha pasado que ves dos variables subiendo juntas y ya das por sentado que una provoca a la otra? Aquí el problema: la coincidencia no es causa. El estadístico dice “van de la mano”, el economista grita “¡es causal!”. Un ejemplo clásico: ventas de helados y crímenes en verano. El calor sube, la gente compra más helado y, además, la tasa de delitos también sube, pero el sol no está matando a nadie. La clave está en buscar variables latentes, como la temperatura, que explican ambos fenómenos. Por eso, antes de lanzar teorías, revisa el diagrama de causalidad y, si no está claro, aplica pruebas de Granger o experimentos controlados. apuestapadeles.com lo muestra en sus informes.

Promediar sin mirar la distribución

Un número medio puede ser tan engañoso como una sonrisa falsa. Si tus datos siguen una distribución sesgada, el promedio se vuelve un espejismo. Piensa en ingresos: la media puede sugerir que todos ganan bien, mientras que el 80 % está bajo la mediana. El error típico es presentar el promedio sin mencionar la desviación estándar, la mediana o el percentil 90. Solución rápida: siempre acompaña la media con al menos una medida de dispersión. Si la varianza explota, la media pierde sentido y deberías usar la mediana o la moda.

Olvidar el tamaño de la muestra

Un estudio con diez observaciones no vale lo mismo que uno con mil. El error es asumir que cualquier número es representativo. La regla de oro: cuanto mayor sea la muestra, más fiable será el intervalo de confianza. Pero ojo, no basta con “más es mejor”; la muestra debe ser aleatoria y libre de sesgo. Si recoges datos solo de un foro de fanáticos, tu modelo será tan útil como un mapa del tesoro dibujado por piratas. La solución es validar la muestra: revisa la procedencia, el método de selección y realiza pruebas de homogeneidad.

Interpretar p‑valor como probabilidad del efecto

Un p‑valor de 0,03 no significa “hay un 97 % de probabilidad de que el efecto sea real”. Significa que, bajo la hipótesis nula, la probabilidad de observar un resultado tan extremo es del 3 %. Muchos confunden esa cifra con la certeza del hallazgo y terminan sobrevalorando resultados marginales. La alternativa es reportar el tamaño del efecto (Cohen’s d, odds ratio) y los intervalos de confianza. Así, el lector ve la magnitud y la precisión, no solo la cifra de significancia.

Ignorar la autocorrección de múltiples pruebas

Analizar veinte variables y celebrar el hallazgo de una con p < 0,05 es como buscar una aguja en un pajar y luego decir que encontraste oro. Cada prueba adicional inflige una penalización en la tasa de falsos positivos. No usar correcciones como Bonferroni o FDR aumenta el riesgo de conclusiones espurias. El remedio: antes de empezar, define un plan de análisis, limita el número de comparaciones y aplica ajustes cuando sea necesario. Y, por supuesto, valida con datos externos.