En epidemiología, la frase “asociación no es causalidad” se utiliza para recordar que la presencia de una relación estadística entre dos variables no implica necesariamente que una cause la otra (Gordis, 2014). Existen varios factores no causales que pueden conducir a una asociación observada:
- Confusión (confounding): ocurre cuando una tercera variable está relacionada tanto con la exposición como con el desenlace, generando una asociación aparente que no es causal.
- Sesgo de selección: la forma en que se eligen los participantes puede producir asociaciones espurias, por ejemplo, al estudiar solo voluntarios o pacientes hospitalizados.
- Sesgo de información: errores en la medición de la exposición o el desenlace pueden generar asociaciones falsas.
- Azar: resultados estadísticos significativos pueden aparecer simplemente por la variabilidad aleatoria de los datos.
- Efecto de interacción: la asociación puede depender de otra variable que modifica la relación entre exposición y desenlace, dando una impresión errónea de causalidad.
Es fundamental considerar estos factores al interpretar resultados epidemiológicos para evitar conclusiones erróneas sobre relaciones causales.
Referencia:
Gordis, L. (2014). Epidemiology (5th ed.). Elsevier Saunders.