Quando scambiamo la coincidenza per spiegazione

“Dopo X è successo Y, quindi X ha causato Y.” Questo è il cuore della Falsa Causa: confondere la correlazione (o la semplice successione temporale) con la causalità. In logica classica è detta anche non causa pro causa; tra le forme comuni ci sono post hoc ergo propter hoc (“dopo questo, dunque a causa di questo”) e cum hoc ergo propter hoc (“insieme a questo, dunque a causa di questo”).

Che cos’è la Falsa Causa

Attribuiamo a un fattore A la causa di un effetto B solo perché A precede B o varia insieme a B, senza considerare altri fattori, cause comuni (variabili nascoste) o la casualità. Il nostro cervello è straordinario nel trovare schemi; a volte, però, vede nessi dove non ci sono.

Un esempio semplice

“Da quando porto il braccialetto ‘anti-stress’ dormo meglio: il braccialetto funziona.”

Potrebbero esserci molte spiegazioni alternative: cambi di routine, meno caffè, periodo meno impegnativo, aspettative (effetto placebo). La relazione temporale da sola non dimostra la causa.

Esempi nella vita quotidiana

1. Nei dibattiti politici

“Abbiamo cambiato il logo del Comune e il turismo è cresciuto: il nuovo logo attira visitatori.”

Magari sono aumentati i voli low-cost, sono stati restaurati musei, c’è stato un evento internazionale. Senza controllare stagionalità, tendenze e altri interventi, si rischia la falsa causa.

2. Sulle reti sociali (vaccini e falsi nessi con i decessi)

“Dopo la vaccinazione, in quel mese sono aumentate le segnalazioni di morti: quindi i vaccini causano più morti.”

Esempio tipico di correlazione scambiata per causalità:

• Tasso di base: in popolazioni grandi, ogni giorno ci sono decessi attesi per età e patologie. In campagne di vaccinazione di massa, alcuni decessi capiteranno comunque dopo l’iniezione per pura coincidenza temporale.
• Composizione della popolazione: spesso si vaccinano prima le fasce più anziane e fragili, dove il rischio di decesso è già più alto.
• Bias di segnalazione: dopo un evento molto visibile (la vaccinazione) si segnalano di più eventi che sarebbero passati inosservati.
• Verifica empirica dell’aumento: prima di concludere che “i decessi sono aumentati”, confrontare i conteggi con serie storiche comparabili (stesse settimane/mesi di anni precedenti), stimare mortalità attesa e mortalità in eccesso, distinguere tra segnalazioni e certificazioni ufficiali, considerare ritardi di registrazione e cambiamenti demografici (età, dimensione della coorte vaccinata).
• Controllo dei confondenti: per valutare la causalità servono confronti con gruppi equivalenti, analisi del rischio relativo e del tasso di base, studio di meccanismi biologici plausibili e repliche indipendenti.

La morale: la vicinanza temporale non basta; occorrono evidenze e metodi adeguati.

3. Nella pubblicità e nella comunicazione

“Da quando abbiamo messo l’etichetta ‘naturale’, le vendite sono esplose: è merito della nuova etichetta.”

Forse c’è stata una campagna sconti, la ripresa stagionale, un influencer non dichiarato, l’uscita di un competitor. Senza un gruppo di controllo o un test A/B, è facile attribuire la causa sbagliata.

Perché finiamo per crederci

• Euristica della disponibilità: esempi vividi o recenti (titoli, post virali) ci fanno sovrastimare un nesso.
• Pregiudizio di conferma: vediamo come causali i dati che confermano ciò che già crediamo.
• Ricerca di schemi e narrazione: preferiamo una storia “A causa di B” al riconoscere la contingenza.
• Negligenza del tasso di base: ignoriamo quante volte un evento accade in generale, a prescindere da A.
• Variabili nascoste: sottovalutiamo cause comuni che spiegano sia A sia B.

Come riconoscerla ed evitarla

1. Distingui correlazione e causalità: “A precede/varia con B” non implica “A causa B”.
2. Cerca il meccanismo: qual è il nesso plausibile che collega A a B? Esiste una relazione dose–risposta?
3. Controlla i confondenti: età, stagionalità, trend, selezione del campione, fattori concomitanti.
4. Verifica il tasso di base: quante volte B accade comunque nella popolazione e nel periodo considerato?
5. Confronti corretti: gruppi di controllo, test A/B, repliche indipendenti, quando possibile esperimenti; altrimenti quasi-esperimenti (prima/dopo con controllo, differenze-in-differenze).
6. Cerca coerenza tra studi: risultati simili in contesti diversi sono più convincenti del singolo dato.

Lista di controllo rapida

• L’argomento si basa solo sulla successione temporale o su una correlazione grezza?
• Sono stati considerati tasso di base e composizione della popolazione?
• Ci sono confondenti evidenti non controllati?
• Esiste un meccanismo plausibile e, se sì, è supportato da dati (ad es. dose–risposta)?
• Sono presenti confronti con gruppi equivalenti o test A/B?

Conclusione

Vedere nessi è umano; dimostrarli richiede metodo. La Falsa Causa svanisce quando chiediamo: quali prove mostrano che A produce B e non è solo un compagno di viaggio? Finché non abbiamo questa risposta, la prudenza logica è la scelta più razionale.