Jackson Cionek
12 Views

Brain Bee – Relação x Causalidade - SBNeC Escola - SfN 2025

Brain Bee – Relação x Causalidade - SBNeC Escola - SfN 2025

"Oi, eu sou a Consciência aprendendo a brincar com números. Descobri que estatística é como magia: se eu não prestar atenção, eu juro que o coelho saiu do chapéu sozinho!"


Os pés da matemática

“Percebi que quanto maior o número do sapato, maior a nota em matemática. Conclusão: a tabuada está escondida dentro do pé 42!”
(Na verdade, era só a idade… mas já pensei em patentear palmilha inteligente.)


A conspiração do guarda-chuva

“Notei que quem anda sempre com guarda-chuva acaba pegando mais chuva. Conclusão: é o guarda-chuva que chama as nuvens!”
(Parece até dança da chuva, versão metropolitana.)


Óculos com sabedoria embutida

“Estudantes que usam óculos tiram notas mais altas. Conclusão: a lente é carregada com conhecimento de fábrica!”
(Só não achei ainda a lente do Google Tradutor para prova de física.)


O mistério da praia

“Quanto mais sorvete vendido, mais afogamentos acontecem. Conclusão: picolé de limão é perigoso e deveria ter aviso da Anvisa.”
(Mas era só o calor trazendo mais gente para a praia.)


O galo despertador

“Descobri que o sol nasce logo depois que o galo canta. Conclusão: o galo é o engenheiro-chefe da Via Láctea!”
(E eu achando que era astrofísica…)*


O drama da cama

“Vi que crianças que dormem com a luz acesa têm mais chance de usar óculos depois. Conclusão: a lâmpada ataca a retina à noite!”
(Mas na real, era só genética herdada dos pais míopes.)


A ilusão da liberdade financeira

“Agora, falando sério: precisamos entender que o que acontece comigo ou com uma pessoa específica pode ser só coincidência… ou até uma ilusão bem vendida pelo marketing. Um exemplo clássico é a promessa do mercado financeiro de ‘viver de rendimentos e juros’.

Na prática, os dados mostram que, a cada 100 pessoas que se dedicam fortemente a isso, apenas de 2 a 5 conseguem realmente viver de renda. O restante entra no chamado viés do sobrevivente: acreditamos que ‘vamos conseguir porque temos fé ou motivação’, e acabamos pagando dezenas de cursos e mentorias — ignorando que a base estatística já dizia: 95% não chegam lá.

Isso não é causalidade, é ilusão estatística explorada pelo marketing.”


"Estudos altamente 'científicos' já mostraram que quanto mais água você bebeu na infância, maior a chance de virar adulto viciado em… correr para o banheiro!

Brincadeiras à parte, até a IA pode inventar relações desse tipo se você pedir — porque ela é programada para entregar o que você solicita. Mas cabe a você usar senso crítico: nem toda correlação faz sentido, e nem todo gráfico bonito significa verdade."

Moral da história:
"Correlação é divertida, causalidade é séria. Se eu não separar uma coisa da outra, vou acabar acreditando que foi o meu like no Instagram que fez o sol nascer hoje."


1. Séries temporais e estatísticas

  • Correlação (relacional): você pode dizer que dois eventos estão relacionados quando há associação estatística (ex.: coeficiente de correlação alto, regressão significativa, etc.).
    → Ex.: em séries temporais, se um aumento em X costuma ser seguido de aumento em Y, podemos falar em relação relacional.

  • Causalidade: exige que X cause Y de fato, não apenas que eles andem juntos. Aqui entram critérios adicionais.


2. Critérios para considerar causalidade

Um resultado acima de 70% pode indicar associação forte, mas para inferir causalidade é necessário mais:

  1. Temporalidade – a causa deve vir antes do efeito (em séries temporais: X_t afeta Y_{t+1}).

  2. Consistência – a relação deve se repetir em diferentes amostras, contextos ou populações.

  3. Especificidade – a causa afeta o efeito de forma relativamente isolada, e não é mero marcador indireto.

  4. Gradiente biológico/dosagem – mudanças na intensidade da causa levam a mudanças proporcionais no efeito.

  5. Mecanismo plausível – deve existir uma explicação teórica ou fisiológica que sustente o vínculo.

  6. Exclusão de confundidores – usar métodos estatísticos para descartar variáveis ocultas (regressão múltipla, análise de resíduos, modelos causais gráficos, etc.).

Esses pontos derivam dos critérios de Bradford Hill, usados desde os anos 1960 para diferenciar correlação de causalidade.


3. Técnicas específicas em séries temporais

Para avaliar causalidade em dados de séries temporais (além do simples “70% de acerto”):

  • Causalidade de Granger: verifica se X ajuda a prever Y além do que o passado de Y já explicaria.

  • Modelos estruturais (SEM): testam hipóteses de caminhos causais.

  • Intervenções/experimentos naturais: comparar períodos ou populações com e sem a exposição.


4. Regra prática

  • Se você só tem >70% de correlação/predição → pode falar em relação (associação).

  • Só pode falar em causalidade quando:

    • há temporalidade confirmada,

    • controle de confundidores,

    • plausibilidade teórica,

    • e idealmente, um experimento (ou pelo menos forte evidência quase-experimental).


Resumindo:
70% de associação é forte, mas ainda é apenas relacional. Para afirmar causalidade, você precisa demonstrar que o efeito não se explica por outras variáveis e que existe coerência temporal, teórica e experimental.

 Referências – Relação x Causalidade (pós-2020)

  • Shimonovich, M., et al. (2020). Revisiting Bradford Hill’s viewpoints in modern causal inference frameworks. European Journal of Epidemiology.

  • Shimonovich, M., et al. (2024). Five steps for applying Bradford Hill viewpoints in systematic causal reviews. Research Synthesis Methods.

  • Nowinski, C., et al. (2022). Application of Bradford Hill criteria to repetitive head impacts and chronic traumatic encephalopathy. Frontiers in Neurology.

  • Revisiting Hill’s Criteria (2025). Bridging historical foundations and modern epidemiological challenges. Research in Public Health.

  • Shojaie, A., & Fox, E. (2022). Granger causality: A review and recent advances. Annual Review of Statistics and Its Application.

  • Lam, J. (2023). A bibliometric analysis of Granger causality research. Entropy.

  • Uematsu, Y., et al. (2025). Inference on Granger causality in high-dimensional VAR models. Journal of Econometrics.

  • Minorics, L., et al. (2022). Testing for Granger causality in panel data with cross-sectional dependence. Econometrics and Statistics.

  • Rosenbaum, P. R. (2020). Design of Observational Studies (2nd ed.). Springer.

  • Rosenbaum, P. R. (2023). Causal Inference. MIT Press.



#eegmicrostates #neurogliainteractions #eegmicrostates #eegnirsapplications #physiologyandbehavior #neurophilosophy #translationalneuroscience #bienestarwellnessbemestar #neuropolitics #sentienceconsciousness #metacognitionmindsetpremeditation #culturalneuroscience #agingmaturityinnocence #affectivecomputing #languageprocessing #humanking #fruición #wellbeing #neurophilosophy #neurorights #neuropolitics #neuroeconomics #neuromarketing #translationalneuroscience #religare #physiologyandbehavior #skill-implicit-learning #semiotics #encodingofwords #metacognitionmindsetpremeditation #affectivecomputing #meaning #semioticsofaction #mineraçãodedados #soberanianational #mercenáriosdamonetização
Author image

Jackson Cionek

New perspectives in translational control: from neurodegenerative diseases to glioblastoma | Brain States