Correlação versus causalidade em finanças
Separe associação estatística de efeitos causais, incluindo confundimento, causalidade reversa, seleção, intervenções, causalidade de Granger, não estacionariedade, regressão espúria e desenho de pesquisa financeira
Resposta direta
Correlação descreve o co-movimento estatístico entre variáveis sob uma amostra e uma transformação definidas. Causalidade pergunta como um resultado mudaria sob uma intervenção ou uma mudança contrafactual em outra variável. Correlação pode surgir de um efeito causal, mas também de causas comuns, direção reversa, seleção, tendências, mensuração ou acaso. A associação sozinha não identifica qual explicação é verdadeira
Correlação é uma propriedade de uma distribuição
A correlação de Pearson padroniza a covariância e mede associação linear; correlações por postos medem ordenação monotônica sob premissas diferentes
Seu valor depende da população, da janela, da frequência, da transformação, dos outliers, dos dados ausentes e das variáveis condicionantes
Correlação zero não implica independência, exceto em famílias especiais, enquanto uma relação não linear pode ser forte com correlação de Pearson próxima de zero
Causalidade precisa de uma intervenção-alvo
Uma pergunta causal especifica um tratamento ou ação, um resultado, uma população, o momento e uma comparação entre estados potenciais
O efeito de elevar as taxas difere da associação entre taxas observadas e retornos porque a política responde a informações sobre a economia
Identificação causal exige premissas ou um desenho que conecte distribuições observadas à comparação contrafactual não observada
Confundimento e seleção criam alternativas
Uma causa comum pode mover as duas variáveis, a causalidade reversa pode fazer o resultado afetar a causa proposta e o feedback pode operar nas duas direções
Condicionar em um efeito comum pode criar viés de collider, enquanto sobrevivência e filtros de publicação podem induzir associação em uma amostra selecionada
Adicionar controles não é automaticamente mais seguro: controlar mediadores, colliders, proxies ruidosos ou variáveis pós-tratamento pode aumentar o viés
Causalidade de Granger é precedência preditiva
X causa Y à maneira de Granger quando X passado melhora a previsão de Y além do conjunto de informações e do modelo escolhidos para o Y passado
Esse é um teste de conteúdo preditivo incremental, não uma prova de que intervir em X mudaria Y por meio de um mecanismo estrutural
Variáveis omitidas, notícias comuns, agregação, escolha de defasagens, não estacionariedade e mudanças de regime podem criar ou apagar achados de causalidade de Granger
Tendências temporais podem fabricar associação
Séries persistentes independentes podem mostrar R² alto e regressões com aparência significativa porque suas tendências estocásticas caminham juntas em uma amostra
Remover tendência ou diferenciar muda a pergunta e pode retirar informação de longo prazo, então isso deve seguir um modelo das séries, não uma correção visual
Estacionariedade, raízes unitárias, quebras estruturais e cointegração devem ser diagnosticadas antes de interpretar correlação ou regressão em séries temporais
Mecanismos financeiros precisam de desenhos confiáveis
Experimentos randomizados são raros para exposições de mercado amplo, mas experimentos naturais, descontinuidades, instrumentos, painéis e desenhos de eventos podem ajudar
Cada desenho precisa de suas próprias premissas sobre antecipação, exclusão, tendências paralelas, interferência, momento e mensuração estável
Um estudo de evento mede movimento anormal em torno de uma data; sem um contrafactual válido e um momento bem identificado, ele não identifica automaticamente o efeito do evento
A evidência deve separar descrição e intervenção
Relate associações brutas e condicionais, transformações, janelas, regras para dados ausentes, estabilidade e diagramas ou mecanismos causais alternativos
Declare o estimando e as premissas de identificação, depois execute testes de falsificação, placebo, pré-tendência, sensibilidade e fora da amostra apropriados ao desenho
Use linguagem causal somente na medida em que o desenho a sustente; a previsão pode ser valiosa sem afirmar que uma intervenção reproduziria a relação
Perguntas frequentes
Correlação alta significa que um ativo faz o outro se mover?
Não. Ela mostra uma associação forte nos dados escolhidos e pode refletir fatores comuns, feedback, tendências, seleção ou acaso
O que é causalidade de Granger?
É a capacidade de valores passados de uma série melhorarem a previsão de outra além de um conjunto de informações e um modelo especificados
Uma regressão pode provar causalidade?
Não sozinha. Uma interpretação causal exige um desenho defensável ou premissas que identifiquem o efeito contrafactual relevante
Por que as correlações financeiras podem mudar rapidamente?
Exposições, volatilidade, liquidez, política, participantes, mensuração e regimes de mercado podem mudar a distribuição conjunta