VARIACIÓN CONCOMITANTE

El uso de las pruebas de condición suficiente y condición necesaria depende de que ciertos rasgos del mundo estén a veces presentes y a veces ausentes. Sin embargo, algunos rasgos del mundo están, en cierto grado, siempre presentes. Como están siempre presentes, la PCN nunca podría eliminarlas como posibles condiciones necesarias para algún evento, y la PCS no eliminaría ninguna como condición suficiente. Aún así, el grado en el cual el rasgo existe en el mundo es generalmente un fenómeno importante que requiere de una explicación causal. Un ejemplo que puede aclararnos esto es el siguiente:

Hace varias décadas, surgió una controversia alrededor del impacto de la lluvia ácida en el ambiente de los estados del noreste de los Estados Unidos y Canadá. Parte de la controversia involucraba la interpretación correcta de los datos recolectados entonces. La controversia surgió por la siguiente razón: la atmósfera siempre contiene cierta cantidad de ácido, mucho del cual viene de recursos naturales. Pero también es sabido que un exceso de ácido en el ambiente puede tener serios efectos tanto en plantas como animales. Los lagos son particularmente vulnerables a los efectos de la lluvia ácida. Además, también se sabe que las industrias, principalmente aquéllas en el medio oeste, desechan una gran cantidad de dióxido de sulfuro en el aire y que esto aumenta la acidez del agua en la atmósfera. La pregunta –y aquí la controversia– era si el ácido provocado por las industrias era la causa del daño en el medio ambiente. ¿Cómo podemos resolver la disputa? Las dos reglas que hemos visto no nos brindan ayuda inmediata pues, como hemos señalado, brindan una prueba rigurosa para hipótesis causales sólo cuando podemos identificar casos contrastantes con la presencia o ausencia de cierto rasgo. La PCN provee una prueba rigurosa para las condiciones necesarias sólo si podemos encontrar casos en los que el rasgo no ocurra y luego verifiquemos que el rasgo resultante no ocurra tampoco. La PCS, por otro lado, brinda una prueba rigurosa para condición suficiente sólo cuando encontramos casos en los que el fenómeno resultante está presente y luego podemos verificar que el candidato a condición suficiente también está presente. En el caso en cuestión, sin embargo, ninguna de las pruebas aplica pues siempre existe cierta cantidad de ácido en el ambiente, de modo que no es posible verificar qué pasa cuando el ácido atmosférico está completamente ausente. De manera similar, el daño en el ambiente, que es el fenómeno resultante bajo investigación, está tan extendido en nuestra sociedad industrial moderna que es difícil encontrar un caso en el que esté completamente ausente.

De modo que, si siempre hay ácido en la atmósfera y siempre existe cierto daño ambiental, ¿cómo podemos determinar si la liberación de SO2 en la atmósfera es significativamente responsable del daño ambiental en las áreas afectadas?

Para resolver este tipo de problema utilizaremos lo que John Stuart Mill[1] llamaba el Método de Variación Concomitante. Nos preguntamos si la cantidad de daño ambiental varía directamente en proporción a la cantidad de SO2 liberado en el ambiente. Si el daño en el ambiente aumenta con la cantidad de SO2 liberado en el ambiente y disminuye cuando la cantidad de SO2 disminuye, esto significa que el nivel de SO2 liberado en la atmósfera está en correlación positiva con el daño ambiental. Tendremos, entonces, buenas razones para creer que disminuir las emisiones de SO2 reducirá el nivel de daño ambiental, al menos hasta cierto punto.

Los argumentos respaldados por el método de variación concomitante son difíciles de evaluar, especialmente cuando no existe una teoría previa o de fondo aceptada que haga sentido de la variación concomitante. Pero algunas variaciones de este tipo son bien entendidas. Por ejemplo, la mayoría de gente sabe que mientras más rápido conduzcamos, más gasolina consumiremos (el consumo de gasolina varía directamente con la velocidad). ¿Por qué? Aquí hay un buena teoría: requiere más energía conducir a alta velocidad que a baja velocidad, y esta energía se deriva de la gasolina consumida por el motor del auto. Otra correlación es menos entendida: aparentemente existe una correlación entre cuándo fuma una mujer durante el embarazo y qué tan feliz serán sus hijos cuando lleguen a los 30 años. La correlación no es ni por asomo tan buena como la correlación entre el consumo de gasolina y la velocidad, pues muchas personas son muy felices a los 30 años a pesar de que sus madres hayan fumado cuando estaba esperándolos y muchas otras personas son infelices a los 30 años a pesar de que sus madres nunca fumaron. Y sobretodo, no se ha encontrado ninguna teoría de fondo generalmente aceptada que explique la correlación que existe.

La referencia a la teoría de fondo es importante, pues dos conjuntos de fenómenos pueden correlacionarse en un grado muy alto, incluso sin existir una relación causal directa entre ellos. Un ejemplo que aparece en muchos textos de estadística es la correlación positiva en niños entre el tamaño de su pie y la calidad de su escritura. Es difícil imaginar una relación causal sostenible. Tener los pies grandes no puede hacernos escribir con una mejor letra y, obviamente, escribir con buena letra no nos hace los pies más grandes. La explicación correcta es que tanto el tamaño del pie como la habilidad de escritura a mano están positivamente correlacionados con la edad. Lo que hay aquí es una correlación no causal entre dos fenómenos (tamaño del pie y calidad de la escritura), la cual se explica por una tercera correlación común (la maduración) que sí es causal.

A veces, es posible tener correlaciones causales al revés. Por ejemplo, hace algunos años, algunos estadísticos deportivos descubrieron una correlación negativa entre lanzamientos de pases directos (o adelantados) y ganar la partida en fútbol americano. Esto sugería que los pases no eran una buena estrategia, pues mientras más se haga, es más probable que se pierda. Un examen más detallado mostró, sin embargo, que la relación causal se daba en la dirección contraria. Cerca del final de la partida, los equipos que iban perdiendo tendían a lanzar más pases en un esfuerzo por recuperarse. En otras palabras, los equipos lanzaban muchos pases porque estaban perdiendo y no al revés.

Por último, algunas correlaciones parecen ser inexplicables. Por ejemplo, una correlación positiva fuerte parece mantenerse entre la tasa de natalidad en Holanda y el número de cigüeñas que anidan en chimeneas. Existe, por supuesto, una teoría de fondo que explica esto –las cigüeñas traen a los bebés– pero esa teoría no es aceptada por la ciencia moderna. Debido a la falta de una teoría de fondo mejor, el fenómeno es considerado sencillamente extraño.

Dada una correlación fuerte entre fenómenos de tipo A y B, existen cuatro posibilidades:

  1. A es la causa de B
  2. B es la causa de A
  3. Un tercer factor causa ambos
  4. La correlación es accidental

Antes de aceptar cualquiera de estas posibilidades, debemos tener buenas razones para preferir una sobre las otras tres.

Una manera de generar esta razón es manipular A o B. Si variamos el factor A hacia arriba o abajo y B no cambia para nada, nuestro descubrimiento brinda una razón en contra en la primera posibilidad, pues B normalmente debería de cambiar con A si A causa B. De manera similar, si manipulamos B hacia arriba o abajo, y A no caría para nada, este resultado provee una razón en contra de la segunda alternativa y a favor de la hipótesis de que B no causa A. Juntas, estas manipulaciones pueden reducir las opciones a las posibilidades 3 y 4.

Muchos experimentos científicos funcionan de esta manera. Cuando los científicos por primera vez descubrieron una correlación entre fumar y el cáncer de pulmón, algunos fabricantes de cigarrillos respondieron que era el cáncer de pulmón el que causaba el deseo de fumar o que existía una tercera causa tanto para fumar como para el cáncer de pulmón que explicaba la correlación. Se sugirió que posiblemente, fumar aliviaba la incomodidad que un cáncer de pulmón temprano provocaba o a causa de un tercer factor que causaba e cáncer de pulmón. Para probar estas hipótesis, los científicos manipularon la cantidad de cigarrillos en animales de laboratorio. Cuando todos los demás factores se mantuvieron lo más constante posible pero la cantidad de cigarrillos aumentó, el cáncer de pulmón también aumentó. Y cuando la cantidad de cigarrillos que consumían los animales se redujo, también el cáncer de pulmón disminuyó. Estos resultados no se hubieran presentado si un tercer factor hubiera causado tanto el deseo de fumar como el cáncer de pulmón. Estos descubrimientos también hubieran sido distintos si un cáncer de pulmón incipiente hubiera causado el fumar, pero se mantuvieron constantes mientras que los científicos manipulaban la cantidad de cigarrillos. Este tipo de experimentos puede, por lo tanto, ayudarnos a eliminar por lo menos algunas de las opciones 1-4.

La manipulación directa como esta no siempre es posible o éticamente permisible. Los datos hubieran probablemente más confiables si los experimentos se hubieran hecho en humanos y no en animales, pero esa no es una opción ética. Quizás métodos estadísticos más complicados podrían brindar resultados más confiables, pero generalmente requieren grandes cantidades y tipos especiales de datos. Desafortunadamente este tipo de datos muchas veces no está disponible.


[1] Los métodos de indagación experimental de Mill se encuentran en el libro 3, capítulo 8 de “A System of Logic”(London: John W. Parker, 1843).

Fuente: Understanding Arguments: An Introduction to Informal Logic.  Ninth Edition. Walter Sinnott-Armstrong. Duke University.

Ilustración: Kiki Ljung

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *