Há um tipo de raciocínio que parece quase inevitável. Algo acontece, depois outra coisa acontece, a sequência se repete algumas vezes e, quase sem notar a passagem, começamos a tratar o padrão como explicação.
Tomei um remédio e melhorei. Mudei um hábito e meu desempenho aumentou. Uma empresa adotou determinada prática e seus resultados cresceram. Uma pessoa fez algo pouco antes de um problema aparecer.
A observação pode estar completamente correta. O salto causal, não necessariamente.
Esse é um dos pontos mais importantes — e mais difíceis — de qualquer tentativa de compreender a realidade: ver que duas coisas acontecem juntas, ou uma depois da outra, não significa ainda saber por que aquilo aconteceu.
A diferença não existe porque a experiência seja inútil. Existe porque a mesma observação pode, em algumas situações, ser compatível com histórias causais diferentes.
Explicar começa quando conseguimos separá-las.
Um padrão não traz sua causa embutida
Imagine que uma pessoa adota uma nova rotina e, nas semanas seguintes, passa a dormir melhor.
Há um fato observável: a rotina mudou e o sono melhorou. Mas várias explicações continuam possíveis.
A mudança pode ter produzido o efeito. Outra alteração ocorrida no mesmo período pode ter sido responsável. O problema anterior pode ter diminuído por razões independentes. A própria decisão de mudar a rotina pode ter vindo depois de uma fase particularmente ruim, tornando provável alguma melhora posterior mesmo sem efeito específico da intervenção.
Nenhuma dessas possibilidades torna a experiência falsa. A pessoa realmente mudou algo e realmente percebeu melhora. O que permanece em aberto é qual relação causal liga os acontecimentos.
Na filosofia da ciência, uma versão mais geral desse problema é discutida sob o nome de subdeterminação: um mesmo conjunto de evidências pode, em certas condições, ser compatível com mais de uma explicação ou teoria. [1]
Isso não significa que todas as explicações sejam igualmente boas. Significa apenas que os dados disponíveis podem não carregar informação suficiente para escolher entre elas.
Se duas hipóteses preveem aquilo que observamos, confirmar a observação não basta para decidir qual delas está correta. Precisamos encontrar alguma diferença entre as hipóteses que possa ser confrontada com evidência adicional.
O problema, portanto, não é simplesmente que vemos pouco. É que aquilo que vemos nem sempre distingue as causas que poderiam produzir o mesmo resultado.
O mesmo dado pode caber em histórias diferentes
A inferência causal torna esse problema especialmente claro.
Suponha que duas características apareçam associadas em um conjunto de dados. Pessoas expostas a uma condição apresentam determinado resultado com mais frequência do que pessoas não expostas.
A associação pode refletir um efeito causal real. Mas também pode existir porque uma terceira variável influencia tanto a exposição quanto o resultado. A direção da relação pode ser parcialmente inversa. A forma como os grupos foram selecionados ou medidos pode produzir parte do padrão.
Por isso, inferência causal exige algo além de constatar associação.
Na formulação moderna usada em epidemiologia e estatística, perguntar pelo efeito causal de uma exposição significa perguntar o que mudaria no resultado se pudéssemos comparar situações que diferem justamente naquela exposição relevante. Como não podemos observar simultaneamente a mesma pessoa ou população sob todas as alternativas possíveis, precisamos construir comparações sustentadas por desenho, pressupostos e conhecimento do contexto. [2]
Essa estrutura formal pode parecer distante da vida cotidiana, mas o problema intelectual é o mesmo. Quando dizemos “isso aconteceu por causa daquilo”, fazemos mais do que descrever dois acontecimentos.
Estamos afirmando que existe uma relação que explica por que o resultado ocorreu — e, muitas vezes, sugerindo que ele teria sido diferente caso a causa não estivesse presente.
Essa afirmação é mais forte do que a observação original. Quanto mais forte a conclusão, maior a necessidade de distinguir explicações concorrentes.
Observar continua sendo indispensável
Reconhecer essa limitação poderia levar ao erro oposto: imaginar que observação é uma forma inferior de conhecimento e que somente teorias ou modelos abstratos realmente explicam o mundo.
Também seria um exagero.
Explicações científicas continuam submetidas à realidade observável. Uma hipótese que entra repetidamente em conflito com resultados confiáveis precisa ser revista, restringida ou abandonada.
A observação pode eliminar possibilidades. Se afirmamos que determinado mecanismo deveria produzir um efeito sob certas condições e o efeito não aparece quando essas condições são estabelecidas, isso importa. Se uma explicação prevê um padrão e encontramos sistematicamente outro, a discrepância exige resposta.
A evidência talvez não selecione sozinha uma explicação única, mas restringe o espaço do que pode continuar sendo defendido.
Além disso, a própria ideia de “observar” é mais sofisticada do que parece. Muitos resultados científicos não vêm apenas da percepção direta de uma pessoa: dados são produzidos com instrumentos, procedimentos de medição, categorias, métodos de análise e modelos que ajudam a transformar sinais em resultados interpretáveis.
A literatura contemporânea em filosofia da ciência também deixou para trás, em grande medida, a ideia de uma base observacional completamente “pura”, separada de qualquer estrutura conceitual. [3]
Isso não torna os dados arbitrários. Mostra apenas que conhecer o mundo não é uma disputa simples entre “aquilo que os olhos veem” e “aquilo que a teoria diz”.
Observação e explicação trabalham juntas — mas não desempenham a mesma função.
Explicar exige contraste
Se um mesmo padrão pode surgir por caminhos diferentes, uma boa investigação precisa criar maneiras de separá-los.
Às vezes isso ocorre por intervenção. Em vez de apenas observar quem recebeu determinada exposição e quem apresentou determinado resultado, pesquisadores podem alterar deliberadamente uma condição e comparar o que acontece. A intervenção ajuda porque cria um contraste mais diretamente relacionado à pergunta causal.
Mas experimentos não são a única forma de aprender sobre causas.
Há situações em que experimentar é impossível, antiético ou impraticável. Nesses casos, estudos observacionais podem produzir inferências causais relevantes quando o desenho, os pressupostos e as condições de identificação são suficientemente defensáveis. [2]
Também podemos ganhar confiança quando diferentes métodos, sujeitos a fontes distintas de erro, apontam na mesma direção.
Em epidemiologia, essa estratégia é frequentemente descrita como triangulação: combinar abordagens que possuem limitações diferentes, procurando uma convergência que seja difícil de explicar pelo mesmo viés em todas elas. [4]
Triangulação não é simplesmente acumular estudos que concordam. Se todos dependem da mesma suposição problemática, repetir o resultado pode repetir também o erro.
O ganho aparece quando as evidências desafiam a hipótese de maneiras diferentes.
Esse princípio é mais amplo do que qualquer técnica específica: uma explicação se torna mais robusta quando sobrevive a contrastes capazes de distingui-la de alternativas plausíveis.
Um modelo não substitui a realidade
Para fazer esses contrastes, frequentemente construímos modelos.
Um modelo seleciona aspectos de um sistema, representa relações consideradas relevantes e deixa outras de fora. Pode ser matemático, estatístico, causal, computacional ou conceitual.
Isso é uma força, não necessariamente uma falha. Se tentássemos reproduzir cada detalhe da realidade, perderíamos justamente a possibilidade de isolar relações, comparar cenários ou entender quais elementos fazem diferença.
Modelos científicos, por isso, frequentemente incorporam simplificações e idealizações. Eles não precisam ser cópias literais do mundo para serem úteis. [5]
Mas essa utilidade cria outro risco. Depois de organizar um fenômeno dentro de um modelo elegante, é fácil esquecer que a estrutura continua sendo uma representação.
Variáveis podem ter sido mal definidas. Relações relevantes podem ter ficado de fora. Um resultado pode depender de pressupostos que funcionam em determinado contexto e falham em outro.
A disciplina é a mesma que aplicamos à experiência direta: não devemos perguntar apenas se o modelo produz uma história coerente, mas também que evidência sustentaria essa história e o que poderia mostrá-la inadequada.
Trocar “eu vi, portanto é verdade” por “o modelo mostrou, portanto é verdade” não resolve o problema. Apenas muda sua forma.
Experiência real, explicação ainda em aberto
Essa distinção se torna especialmente importante quando o objeto é uma experiência pessoal.
Pessoas observam o próprio corpo, relações, trabalho e ambiente de uma posição que nenhum pesquisador externo ocupa exatamente da mesma maneira. Um relato pode trazer informação real que não aparece em uma média estatística ou em uma descrição geral.
Desqualificar essa experiência porque ela não constitui prova causal seria um erro. Validar automaticamente a causa atribuída à experiência seria outro.
“Eu fiz X e depois senti Y” contém uma observação. “Eu senti Y porque X produziu esse efeito por tal mecanismo” acrescenta uma explicação.
A primeira afirmação pode ser legítima mesmo quando a segunda continua incerta.
Essa separação permite uma postura mais rigorosa e, ao mesmo tempo, mais respeitosa. Não precisamos dizer a alguém que aquilo que viveu “não aconteceu” apenas porque existem explicações alternativas. Também não precisamos aceitar a primeira explicação disponível para demonstrar que levamos a experiência a sério.
Podemos reconhecer o acontecimento e investigar a causa.
As duas coisas não são incompatíveis.
Uma pergunta melhor do que “eu vi, então foi isso”
A tendência de transformar observação em explicação é compreensível.
Causas organizam o mundo. Elas permitem antecipar consequências, atribuir responsabilidades, escolher ações e evitar erros. Viver sem construir relações causais seria praticamente impossível.
O problema não está em procurar causas. Está em confundir a rapidez com que uma explicação surge em nossa mente com a força da evidência que a sustenta.
Uma observação merece ser levada a sério pelo que ela mostra — não por tudo aquilo que somos tentados a concluir a partir dela.
Quando um padrão aparece, uma pergunta mais útil do que “qual é a causa?” pode ser:
que outras coisas poderiam produzir exatamente aquilo que estou vendo?
E, em seguida:
o que eu precisaria observar, comparar ou testar para distinguir essas possibilidades?
Essas perguntas não garantem certeza nem transformam cada decisão em um experimento. Elas apenas introduzem uma etapa que frequentemente desaparece do raciocínio: separar o dado da história causal que construímos para explicá-lo.
A experiência nos mostra que algo aconteceu. A explicação tenta dizer por quê.
Às vezes as duas coisas parecem chegar juntas. Compreender melhor o mundo depende de reconhecer quando ainda não chegaram.
Referências
[1] Stanford, P. K. Underdetermination of Scientific Theory. Stanford Encyclopedia of Philosophy, revisão substantiva de 2023.
[2] Hernán, M. A.; Robins, J. M. Causal Inference: What If. Boca Raton: Chapman & Hall/CRC, 2020. Versão eletrônica atualizada disponibilizada pelos autores.
[3] Boyd, N. M.; Bogen, J. Theory and Observation in Science. Stanford Encyclopedia of Philosophy, revisão substantiva de 2026.
[4] Hammerton, G.; Munafò, M. R. Causal inference with observational data: the need for triangulation of evidence. Psychological Medicine, 51(4), 563–578, 2021. DOI: 10.1017/S0033291720005127.
[5] Frigg, R.; Hartmann, S. Models in Science. Stanford Encyclopedia of Philosophy, revisão substantiva de 2025.
