La frase Asociación no es causalidad es esencial en epidemiología porque muchas asociaciones observadas pueden suscitar por mecanismos no causales. En el texto de Hernán y Robins, se describen claramente varias razones estructurales y aleatorias que pueden generar asociaciones sin que exista un efecto causal real.
Uno de los principales factores no causales es la CONFUSIÓN, este problema aparece cuando existe un tercer elemento por ejemplo, una característica previa de salud, el cual influye tanto en recibir un tratamiento como en la probabilidad de presentar un desenlace. Esta situación crea una relación aparente entre tratamiento y resultado que no es realmente causal, ej. cómo los antecedentes de hepatitis pueden generar una falsa asociación entre el uso de un medicamento y la aparición de daño hepático si no se controla adecuadamente esa característica previa.
Otro factor importante es el SESGO DE SELECCIÓN, que ocurre cuando las personas incluidas o mantenidas en un estudio comparten una característica que depende tanto de la exposición como del desenlace, esto puede suceder por ejemplo, cuando solo permanecen en el estudio quienes no pierden seguimiento o cuando participan cierto tipo de personas que se autoseleccionan, este tipo de selección abre conexiones que no representan relaciones causales reales y distorsionan la asociación observada.
Un tercer factor es el SESGO DE MEDICIÓN, el cual ocurre cuando la información sobre el tratamiento, el desenlace o las características previas no se mide correctamente. Una medición inexacta puede crear una asociación que no existe o alterar la magnitud de una que sí es real. En el texto nos explica que incluso si no hay confusión ni problemas de selección, el simple hecho de medir mal la información puede producir relaciones completamente falsas.
Un cuarto motivo de asociación no causal es la CAUSALIDAD INVERSA, este sucede cuando el desenlace influye en cómo se reporta o se mide la exposición, como ejemplo se menciona cuando la enfermedad afecta la memoria de las personas y estas no recuerdan correctamente si estuvieron expuestas a algo en el pasado, lo que genera una asociación engañosa.
Finalmente se menciona que las asociaciones también pueden aparecer debido al azar o VARIABILIDAD ALEATORIA, especialmente en estudios con pocos participantes. Incluso cuando no hay confusión, problemas de selección o errores de medición, la variabilidad propia de los datos puede hacer que dos variables parezcan relacionadas sin que exista un vínculo real entre ellas.
Referencia:
Hernán, M. A., & Robins, J. M. (2025). What If? Causal Inference. Unpublished manuscript, updated version retrieved from https://static1.squarespace.com.