Correlação vs. Causalidade
Correlação mede a força e a direção da associação entre duas variáveis; causalidade implica que mudanças em uma variável produzem diretamente mudanças em outra. Uma forte correlação (por exemplo, r = 0,9) não prova causalidade. Exemplos clássicos abundam: tamanho do sapato e habilidade de leitura são correlacionados em crianças (confundidos pela idade), mas o tamanho do sapato não causa habilidade de leitura. Compreender quando a correlação implica causalidade requer a avaliação do desenho do estudo, variáveis de confusão, precedência temporal e mecanismo. Experimentos randomizados oferecem a evidência causal mais forte; estudos observacionais devem controlar cuidadosamente os confundidores.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0-521-89560-6
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. DOI: 10.1037/h0037350 ↗
- Hill, A. B. (1965). The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. DOI: 10.1177/003591576505800503 ↗
Como citar esta página
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/pt/research-statistics/correlation-vs-causation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Tamanho do EfeitoEstatística para pesquisa↔ compare
- Problema das Comparações MúltiplasEstatística para pesquisa↔ compare
- Teste de Hipótese NulaEstatística para pesquisa↔ compare
- Valor-p e Significância EstatísticaEstatística para pesquisa↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →