Correlazione e causazione non solo a livello quantistico

David Hume. (Credit: wikipedia.org).

Anche a prescindere dalle varie declinazioni che nozioni come “evento” ed “effetto” possono assumere, siamo abituati a pensare che, se A causa B, A sia un evento passato o correlativo a B, che svolga una qualche azione su B, e che B non possa essere in nessun caso causa di A. In questo senso molto generico la relazione che lega A e B non è simmetrica, e pone B in una posizione di dipendenza rispetto ad A, termine a cui risulta vincolato.

Il famoso esempio delle palle da biliardo, usato anche dal filosofo David Hume, chiarisce bene l’idea. Ecco qui una palla A ferma sul tavolo del biliardo, e un’altra palla B che rapidamente si muove verso di essa. Si urtano. Cosa accade? La palla B che prima era ferma ora acquista un movimento. Questo è un caso di relazione tra causa ed effetto: è evidente che  le due palle si sono toccate prima della trasmissione del moto, e che non c’è stato alcun intervallo tra l’urto e il movimento. La contiguità nel tempo e nello spazio è dunque una condizione necessaria dell’azione di ogni causa. È anche chiaro che il movimento, ovvero l’azione di A su B che funge da causa, deve godere di una certa priorità nel tempo. Ma non basta. Facciamo l’esperimento con quante altre palle vogliamo, della medesima specie e in una situazione simile: troveremo sempre che la spinta dell’una produce il movimento dell’altra. Abbiamo dunque una terza condizione, ossia una correlazione o costante tra causa ed effetto: qualunque oggetto simile alla causa produce sempre un oggetto simile all’effetto.

Questa idea è valida in fisica classica, nello studio della meccanica dei corpi. Possiamo dire lo stesso per la fisica quantistica? Ne ho parlato qui. Diverso è il caso quando studiamo il macrocosmo. Faccio solo un esempio secondo me molto utile per chi legge studi di scienza. Come valutare i risultati di una ricerca epidemiologica o medica?

Quando leggete uno studio scientifico ricordate sempre che, in linea generale, non esiste una relazione di causa-effetto tra la capacità di abbattere l’incidenza potenziale della malattia X e una strategia preventiva tipo, né una valida dimostrazione che episodi di correlazione su larga scala desumibili da campioni non randomizzati di popolazione possano avere una valenza più che statistica. Detto più semplicemente, negli articoli che ho letto si lasciano (volutamente?) nell’ombra le differenze tra causalità, correlazione esequenzialità, concetti necessari per valutare il significato di una ricerca sperimentale.

Vi dico subito che l’intuito non ci aiuta. Senza contare che abbiamo una serie di fallacie logiche che sfruttano il fatto che non siamo istintivamente avvezzi a cogliere i nessi causali. Volete qualche esempio? Cum hoc ergo propter hoc, che sarebbe “quando portavo le mutande rosse ho sempre passato l’esame all’università, ergo le mutande rosse portano fortuna”. Post hoc ergo propter hoc: “ogni volta che di sera mangio una banana non riesco a prendere sonno, ergo le banane non fanno dormire”. Correlazione e causazione: quando a Venezia ci sono più turisti si mangia anche più gelato,ergo i turisti fanno venir voglia di gelato. Già da questo breve accenno capite bene che tanto meno una persona è qualificata o istruita o colta (mettetela un po’ come vi pare), tanto più è probabile che si trovi di fronte ad una cacofonia di studi conflittuali o, peggio, ad una sequela di articoli sensazionalistici nella stampa generalista.

Correlazione e causazione. Se, poi, diciamo che esiste una correlazione tra l’assunzione di un farmaco e lo sviluppo di una malattia e intendiamo dimostrare che tra i due eventi esiste un nesso causale e non solo una mera correlazione, come possiamo procedere? Di solito negli articoli si trovano tre metodi principali: studi osservazionali, prospettici e RCT (Randomized Control Trial). Faccio qualche esempio (i dati sono inventati, ovviamente). Per dimostrare una correlazione possiamo tentare uno studio osservazionale o uno studio prospettico. 

  1. Nello studio osservazionale si cercano le differenze tra due gruppi di persone, ad esempio 200 americani e 200 europei. Cartelle cliniche alla mano, si può notare che negli europei l’incidenza del cancro è minore e che si assumono dosi più elevate di aspirina: che dire? Il merito è dell’aspirina (peccato che gli europei mangiano meno carne e più mele, ad esempio). Ma questa è un’inferenza molto debole che ha una qualche validità solo quando gli effetti sono davvero grandi. Con uno studio del genere si vede, ad esempio, che le sigarette causano il cancro, ma se le mele o l’aspirina ne diminuiscono il rischio non è possibile dirlo in modo cogente – tecnicamente si dice che il metodo usato è poco sensibile.
  2. Possiamo allora tentare con uno studio prospettico seguendo un singolo gruppo per un lungo periodo annotandone le abitudini. Sicuramente i risultati sono migliori dei precedenti, perché è possibile seguire le stesse persone nel tempo invece che trarre conclusioni da una istantanea su gruppi diversi, ma resta un problema di fondo: non è randomizzato. Se gli europei hanno una resistenza genetica al cancro che gli americani non hanno, con uno studio prospettico è impossibile capirlo. Certo, alla fine i risultati parlano, ma è sempre possibile attribuire questi effetti ad altre variabili, tipo il consumo di frutta e verdura.
  3. Per evitare la valanga di falsi positivi ed accidenti statistici esiste un metodo migliore, noto come RCT (Randomized Control Trial), che ci permette di passare dalla correlazione allacausazione. Un RCT divide in due gruppi a caso le 400 persone e gli dà una dieta, uno stile di vita di base e un diario farmacologico stabiliti come termini di paragone. In questo modo in media tutti gli altri fattori confondenti saranno bilanciati tra i due gruppi. Gli europei hanno una resistenza al cancro e non lo sappiamo? Nei casi precedentemente citati questo inficierebbe lo studio, ma con un RCT non c’è pericolo, perché avremmo in media lo stesso numero di europei nei due gruppi, il che conente di vedere chiaramente l’effetto della singola differenza o variabile che intendiamo misurare. Con un RCT fatto bene possiamo parlare di causa ed effetto anche di un evento che capita una volta su un milione. Ovviamente, il campionamento diventa un elemento essenziale al metodo.

Mi sembra un utile vademecum…

Annunci

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione / Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione / Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione / Modifica )

Google+ photo

Stai commentando usando il tuo account Google+. Chiudi sessione / Modifica )

Connessione a %s...