Aquí tienes una receta para parecer un genio. Espera a que algo esté en su peor momento — el paciente más enfermo, el cruce más mortal, el mes de ventas más frío, las estadísticas de accidentes más feas. Entonces haz algo. Lo que sea. Un tratamiento, una política, un memorándum severo, un amuleto de la suerte. Ahora espera otra vez. Los números mejorarán, porque los extremos regresan hacia la media por sí solos — y tú, ahí plantado tras Haber Hecho Algo, te llevarás el mérito. Cada vez.
Esto es la falacia de regresión (regression fallacy): atribuir un cambio a una intervención cuando la regresión a la media por sí sola lo habría producido. No es un fallo raro ni exótico. Es la forma por defecto en que los humanos leen un antes-y-después cuando el “antes” era un extremo, y sostiene calladamente la mala medicina, la mala política, la mala gestión y una fortuna malgastada en cosas que nunca funcionaron.
Before you read — take a guess
Una ciudad instala radares de velocidad en los 10 cruces con el peor recuento de accidentes del año pasado. Este año, los accidentes en esos cruces caen en picado. ¿Cuál es la conclusión más segura?
La anatomía de la falacia
Toda instancia tiene el mismo esqueleto de dos pasos. Detecta el esqueleto y detectarás la trampa:
- Selección sobre un extremo. Actúas porque una medición fue inusualmente mala (o inusualmente buena). El paciente más enfermo busca ayuda; los peores sitios reciben el radar; el padre en pánico contrata al profesor particular tras el examen desastroso.
- Llega la reversión — y se adopta. Como el punto de partida era extremo (en parte suerte), la siguiente medición deriva de vuelta hacia la media por sí sola. Pero tú hiciste algo en medio, así que la deriva natural se interpreta erróneamente como tu efecto.
La falacia es tan seductora precisamente porque la mejora es real y fiable. No es que no pasara nada — el paciente sí se siente mejor, los accidentes sí caen. Es que la mejora ya estaba programada por la regresión, y tu intervención se lleva el aplauso por la marea que baja.
La señal delatora
La campana de alarma es la palabra porque. “Actuamos porque los números eran terribles”. En el momento en que tu razón para intervenir es que una medición alcanzó un extremo, has seleccionado sobre un extremo — y la regresión se interpone ahora entre tú y cualquier lectura honesta de si tu acción hizo algo.
Caso 1: la “maldición de la portada” de Sports Illustrated
Durante décadas, atletas y equipos bromeaban con que aparecer en la portada de Sports Illustrated estaba maldito: poco después de la portada, la estrella entraba en un bajón, el equipo perdía, la racha ganadora moría. Algunos medio se creían que el maleficio era real.
Es regresión disfrazada de superstición. Consigues la portada porque acabas de hacer algo extremo — una racha récord, una temporada de tu vida, un campeonato contra todo pronóstico. Ese pico era tu talento real más una racha de buena suerte. La suerte no renueva contrato para la temporada siguiente. Así que tu rendimiento deriva de vuelta hacia tu nivel normal (aún excelente, pero menos sobrehumano) — y como la portada llegó justo antes del bajón, se culpa a la portada. No hace falta maldición alguna, solo selección sobre un pico seguida de la reversión inevitable.
¿Cuál es el mecanismo real tras la 'maldición de la portada de Sports Illustrated'?
Caso 2: los radares de velocidad y “primero los peores sitios”
Este cuesta dinero público y puede distorsionar decisiones reales de seguridad, así que vale la pena clavarlo con exactitud. Las autoridades de tráfico suelen situar los radares (o cualquier intervención) con una regla de “primero los peores”: ordenan los cruces por accidentes recientes, tratan los de arriba de la lista. Es una política intuitiva y de apariencia defendible — y mete la regresión de lleno en la evaluación.
Un sitio llega a la lista de los “peores” en parte porque su riesgo subyacente es genuinamente alto (señal) y en parte porque le tocó un pico de accidentes ese año (ruido — los accidentes son raros, agrupados y guiados por la suerte). El año siguiente el ruido se baraja de nuevo y el recuento cae hacia el nivel verdadero del sitio, instalaras algo o no. Estudio tras estudio ha encontrado que las evaluaciones ingenuas de antes/después de tales programas exageran su beneficio, porque acreditan al radar la regresión. Puede que los radares ayuden de verdad — pero el efecto honesto es mucho menor de lo que sugiere la caída bruta.
Por qué 'primero los peores' es una máquina de regresión
Seleccionar las unidades con las lecturas recientes más extremas garantiza que has seleccionado las más infladas por la mala suerte. Su reversión no es prueba de que tu programa funciona — es la aritmética de haberlas elegido por un extremo. Cualquier política que apunte a “los peores N” y se evalúe mediante antes/después está midiendo la regresión más su efecto, enredados.
Caso 3: sentirse mejor tras ir al médico
¿Cuándo pides por fin la cita, pruebas el suplemento o empiezas el nuevo régimen? Cuando los síntomas están en su peor momento — el dolor de espalda alcanza su pico, el resfriado es horrible, el ánimo toca fondo. Muchas afecciones son autolimitadas: van y vienen y se alivian solas. Así que buscas ayuda en el fondo, la afección regresa hacia su estado medio (mejor), y lo que hayas tomado se lleva el mérito.
Este es el motor tras los testimonios entusiastas de remedios que no hacen nada. “Estaba agonizando, lo probé, ¡y en unos días estaba perfecto!” es exactamente lo que la regresión predice incluso para un tratamiento completamente inerte, porque partiste de un punto bajo seleccionado por ser extremo. Por eso “a mí me funcionó” es una prueba tan débil, y por eso la medicina no puede fiarse de las anécdotas — necesita ensayos controlados. (La lección 04 profundiza más en cómo esto alimenta la superstición y el curanderismo de pleno derecho.)
Un amigo jura que un remedio de hierbas le curó una migraña de una semana en un día tras tomarlo. ¿Por qué es una prueba débil de que el remedio funciona?
La solución: un grupo de control
Si la regresión engaña a las comparaciones antes/después, ¿qué la derrota? Un grupo de control (control group) — un conjunto comparable de unidades que mides pero que no tratas. Aquí está la magia: ambos grupos regresan. Si seleccionas los peores sitios y los divides en tratados y no tratados, ambas mitades derivarán de vuelta hacia la media el año siguiente aproximadamente en la misma cantidad, porque ambas se seleccionaron por el mismo extremo. Lo que quede — la diferencia entre tratados y no tratados — es la parte que la regresión no puede explicar. Esa diferencia es tu efecto real.
Por qué existen los ensayos controlados
Todo el aparato del ensayo controlado aleatorizado es, en gran parte, una máquina para restar la regresión a la media (y otros factores de confusión). Da el fármaco a una mitad elegida al azar de los pacientes enfermos y un placebo a la otra. Ambas mitades estaban enfermas, ambas regresan; solo la diferencia entre ellas mide el fármaco. “Antes vs después” sobre el grupo tratado a solas es casi inútil cuando el “antes” era un extremo.
Míralo funcionar con números. Supón que tomamos cruces propensos a accidentes (seleccionados por un año malo) y ponemos radares al azar en la mitad, dejando la otra mitad sin tratar como controles:
| Grupo | Accidentes el año pasado (extremo seleccionado) | Accidentes este año | Cambio |
|---|---|---|---|
| Tratado (radares) | 20 | 12 | −8 |
| Control (nada) | 20 | 14 | −6 |
| Efecto real del radar | — | — | −2 |
La lectura ingenua presume “¡los radares recortaron los accidentes en 8 (una caída del 40 %)!” Pero los sitios de control no tratados cayeron 6 por sí solos — eso es la regresión. El efecto honesto del radar es la diferencia, solo −2. Sin el grupo de control, habrías acreditado a los radares cuatro veces su beneficio real y posiblemente desplegado un programa caro sobre un espejismo.
Defensas de segunda opción cuando un control verdadero es imposible: (1) usa una línea base larga en vez de un único año extremo, para no seleccionar sobre una única lectura afortunada o desafortunada; (2) compara contra sitios/regiones similares no tratados que no se eligieran por ser extremos; (3) pronostica explícitamente la regresión que esperarías sin intervención, y reclama solo el efecto más allá de eso. La peor opción — por desgracia la más común — es un mero antes/después sobre el grupo que seleccionaste precisamente por ser extremo.
Un hospital da una nueva terapia a sus pacientes más gravemente deprimidos. Tres meses después han mejorado notablemente. ¿Qué único cambio de diseño revelaría mejor si la terapia ayudó de verdad?
Cuándo usarla
Haz sonar la alarma de la falacia de regresión en cualquier afirmación de antes/después o “hicimos X y las cosas mejoraron” donde el “antes” era un extremo, o donde las unidades se eligieron por ser extremas (los peores colegios, los pacientes más enfermos, las carreteras con más accidentes, el trimestre más frío). Hazte dos preguntas: ¿Se seleccionaron estas unidades por un extremo? y ¿Hay un grupo de control que también regresara? Si la respuesta es “sí” y “no”, trata el efecto reportado como regresión hasta que se demuestre lo contrario.
Repaso
¿Qué define la falacia de regresión?
Comprueba tu respuesta para continuar.
Hacia dónde va esto
La falacia de regresión es cara porque la mejora que te entrega es genuina — solo que no era tuya. La lección 04 lleva esto a su conclusión más perturbadora: cuando la retroalimentación que damos (elogio, castigo) llega justo después de los extremos, la regresión nos enseña exactamente lo contrario de la verdad sobre qué funciona. Los instructores de vuelo de Kahneman aprendieron que gritar funciona y elogiar es contraproducente — y estaban completamente equivocados por una razón bellamente matemática.