¿Observar o intervenir?

Hay dos formas básicas de recopilar datos sobre si una cosa afecta a otra.

• En un estudio observacional se mide lo que ya está ocurriendo y no se cambia nada. Por ejemplo, podrías registrar cuánto duermen los estudiantes y qué calificaciones obtienen.
• En un experimento se asigna un tratamiento a las unidades y luego se mide lo que ocurre. Por ejemplo, podrías decir a algunos estudiantes que duerman ocho horas y a otros que duerman seis.

Ambos pueden encontrar patrones. Solo un experimento, bien realizado, puede decir mucho sobre causa y efecto. Esta es la razón.

Supongamos que en un estudio observacional se afirma que los estudiantes que duermen más también sacan mejores notas. Quizá dormir ayuda. Pero quizás los estudiantes que duermen más también tienen menos trabajos, hogares más tranquilos o hábitos de estudio más organizados. Cualquiera de estos podría ser la razón real, y viajan juntos con el sueño. Una variable oculta como esta se llama confundente: está vinculada tanto a lo que estudias como al resultado, y puede imitar o ocultar un efecto. El mundo 5 dedica cuatro lecciones a este tema.

Un experimento soluciona esto con la asignación aleatoria. Si un lanzamiento de moneda (o una computadora) decide quién recibe cada tratamiento, entonces los grupos difieren solo por azar en todo lo demás: hábitos de sueño, trabajos, vida en el hogar, cosas que nunca se te ocurrió medir. Con suficientes unidades, los grupos serán similares en promedio, por lo que si los resultados difieren después, el tratamiento es la única diferencia sistemática restante.

Un buen experimento suele tener:

• Un grupo de tratamiento que recibe lo que se está probando y un grupo de control que no lo recibe (o recibe la alternativa estándar).
• Asignación aleatoria a esos grupos.
• Un placebo cuando las expectativas de las personas importan: un sustituto inofensivo que se parece al tratamiento, para que todos crean que podrían recibirlo.
• Cegamiento: las personas no saben en qué grupo están (simple ciego) y quienes miden los resultados tampoco lo saben (doble ciego), para que las esperanzas no sesguen las mediciones.

Un ejemplo. Un jardinero quiere saber si un fertilizante funciona. Un diseño débil: darle el fertilizante a las plantas junto a la ventana, nada a las de la sombra y comparar. La luz ahora se mezcla con el fertilizante. Un mejor diseño: numerar 40 macetas, dejar que un sorteo aleatorio elija 20 para el fertilizante, mantener las otras 20 como control y ponerlas todas en la misma estantería. Ahora la luz, el agua y el tamaño de la maceta están equilibrados por azar, y una diferencia clara en el crecimiento apunta al fertilizante. (Un ejemplo inventado, solo para la idea).

Los experimentos no siempre son posibles. No podemos hacer que la gente fume aleatoriamente durante treinta años, ni asignar aleatoriamente a una ciudad que tenga una inundación. Para estas preguntas nos basamos en estudios observacionales, un diseño cuidadoso y varias líneas de evidencia. Deberíamos ser honestos en que la evidencia es más débil para las causas.