Ya sabéis qué es la regresión a la media (regression to the mean) y cuántos estragos causa. Esta última lección de contenido trata de no pasarse de frenada, porque el modelo tiene dos gemelas malvadas con las que la gente lo confunde constantemente, y confundirlas provoca errores nuevos por su cuenta. Por un lado está una tendencia real (un efecto genuino que la regresión puede ocultar o exagerar). Por el otro está la falacia del jugador (gambler’s fallacy) (una idea superficialmente parecida que es sencillamente falsa). Distingue las tres, añade un botiquín defensivo y habrás terminado.
Before you read — take a guess
Una ruleta cae en rojo cinco veces seguidas. Un jugador razona: 'Las rachas extremas regresan a la media, así que ahora el negro es más probable'. ¿Qué falla en esto?
Regresión frente a una tendencia real
La primera tarea es separar la regresión (que no necesita causa) de un efecto o tendencia genuinos (que sí la necesitan). Pueden parecer idénticos en un antes/después pelado: en ambos, el número después de un extremo es distinto del número de antes. La diferencia está en el porqué.
La regresión es lo que cabría esperar incluso si nada hubiera cambiado. Un efecto real es lo que queda después de restar la regresión esperada. Así que la pregunta nunca es “¿se ha movido el número?” — los extremos siempre se mueven. Las preguntas son:
- ¿Se seleccionó la unidad por ser extrema? Si es así, espera regresión y sé escéptico. Si la unidad se eligió por algún motivo no relacionado, las preocupaciones por la regresión se encogen.
- ¿Hay un mecanismo plausible y aparece el efecto frente a un control que también regresó? (El arreglo de la lección 03.)
- ¿Persiste y escala? La regresión es una reversión de una sola vez; una tendencia real sigue adelante, muestra dosis-respuesta (más tratamiento → más efecto) y reaparece cuando repites el estudio.
Un contraste rápido
Historia A: “Formamos a nuestras 10 tiendas con peor rendimiento y el trimestre siguiente mejoraron un 15 %”. Seleccionadas por ser extremas, sin control: casi todo regresión hasta que se demuestre lo contrario. Historia B: “Elegimos tiendas al azar, formamos a la mitad, y la mitad formada superó a la no formada en un 15 % — y en un 25 % con el doble de formación”. Un grupo de control y una dosis-respuesta: ese excedente sobre el control es un efecto real que la regresión no puede fingir.
¿Qué hallazgo es el MENOS explicable solo por la regresión a la media (es decir, el más probablemente un efecto real)?
Regresión frente a la falacia del jugador — la división crucial
Esta es la confusión que hace tropezar incluso a gente cuidadosa, porque ambas frases contienen “las cosas vuelven hacia lo normal”. Pero describen situaciones completamente distintas, y una es verdadera mientras la otra es falsa.
La falacia del jugador (gambler’s fallacy) es la creencia de que, en una secuencia de ensayos independientes, una racha de un resultado hace que el resultado opuesto “toque”. Después de cinco rojos, el negro parece que va con retraso. Es falso: una rueda justa no tiene memoria. Cada tirada es 50/50 (menos la ventaja de la casa) sin importar lo que vino antes. Nada lleva la cuenta; la racha pasada no empuja el futuro hacia el equilibrio.
La regresión a la media (regression to the mean) es la tendencia (verdadera) de una medición extrema de una cantidad estable de señal-más-ruido a ir seguida de una menos extrema. La siguiente medición está más cerca de la media no porque el proceso te “deba” una corrección, sino porque condicionaste a un extremo — seleccionaste una observación que era en parte afortunada, y la suerte fresca se promedia hasta desaparecer.
Las diferencias, puestas una al lado de la otra:
| Falacia del jugador | Regresión a la media | |
|---|---|---|
| ¿Verdadera o falsa? | Falsa (un error real) | Verdadera (un fenómeno real) |
| Se aplica a | Ensayos independientes (monedas, ruleta, dados) | Mediciones ruidosas repetidas de una cantidad estable (con una señal) |
| Afirmación sobre el siguiente valor | Se invertirá para “equilibrar” la racha | Estará, en promedio, más cerca de la media de lo que estaba el extremo |
| Por qué | (Erróneamente) supone una fuerza compensadora / memoria | Seleccionaste un extremo; la parte afortunada no se repetirá |
| ¿Hay una “señal”? | No — puro azar, ninguna habilidad estable que medir | Sí — una señal estable más ruido transitorio |
Dos trampas que hay que clausurar:
- La regresión no es una fuerza compensadora. No dice que el siguiente valor caiga por debajo de la media para compensar uno alto. Dice que el siguiente valor cae más cerca de la media — se detiene en el centro, no se pasa. Creer en el sobrepaso es importar la falacia del jugador dentro de la regresión.
- Una apuesta sin memoria no “regresa” en el sentido de la RTM. Una sola tirada de ruleta no tiene componente de habilidad ni ninguna cantidad estable que se vuelva a medir, así que no hay nada que regrese. Lo que sí pasa con las monedas es que un promedio corriente de muchos lanzamientos independientes se asienta hacia el 50 % — pero eso es la ley de los grandes números diluyendo una racha con lanzamientos frescos, no que ningún lanzamiento futuro concreto sea “atraído” hacia el equilibrio.
Porque diluir no es compensar. Después de cinco caras, los siguientes lanzamientos siguen siendo 50/50 — la rueda nunca devuelve la racha (esa parte de la falacia del jugador sigue siendo falsa). Pero a medida que amontonas cientos más de lanzamientos justos, esas cinco caras de más se convierten en una parte cada vez más pequeña del total, así que el promedio deriva hacia el 50 %. La racha no se cancela; queda superada en número. La regresión a la media, de forma similar, no es una deuda que se salda — es el componente de suerte de una observación extrema que no vuelve a aparecer en la siguiente.
¿Qué situación es una regresión a la media genuina (ni la falacia del jugador ni una tendencia real)?
Una nota bayesiana al pie: la regresión no es más que encoger hacia la previa
Si hiciste el curso de actualización bayesiana, la regresión tiene una cara familiar. Esperar que una observación extrema regrese es exactamente encoger tu estimación hacia la media previa (prior). La fiabilidad de la lección 01 hace el papel de cuánto te fías de esta única observación ruidosa frente al promedio de la población. Baja fiabilidad (mucho ruido) → te fías poco de la observación → la encoges con fuerza hacia la media → regresión grande. Alta fiabilidad → te fías de la observación → la encoges apenas. Los buenos pronosticadores hacen esto por instinto, y los métodos de Bayes empírico lo hacen formalmente: nunca tomes una única lectura extrema al pie de la letra; tira de ella hacia lo que ya sabías de antes.
El botiquín defensivo
Todo lo que ha enseñado el curso se resume en cinco hábitos:
- Espera la reversión. Incorpórala a cada pronóstico. Cuando veas un extremo récord, predice por defecto un seguimiento menos extremo — no extrapoles el pico. Solo con esto ya vas por delante de la mayoría de los pronosticadores.
- Exige un grupo de control. La defensa más fuerte que existe (lección 03). Tanto el grupo tratado como el no tratado regresan; solo la diferencia es un efecto real. Es por lo que existen los ensayos aleatorizados.
- Usa muestras y agregados mayores. El ruido se cancela cuando promedias. La media de un grupo grande es mucho más fiable que un miembro suelto, así que los individuos extremos regresan con fuerza mientras que las medias de grupos grandes extremas apenas se mueven. No construyas decisiones sobre puntos de datos extremos aislados.
- No selecciones el objetivo por un extremo de una sola vez. Usa una línea base larga, o elige antes de ver el ruido. Apuntar a los “peores primero” hornea la regresión dentro de tu evaluación.
- Encoge tus estimaciones hacia la media. Trata una lectura extrema como en parte suerte y pronostica el valor encogido — formalmente con la fiabilidad, informalmente con “probablemente será menos impresionante la próxima vez”.
La defensa en una línea
Cada vez que un resultado cambie tras un extremo, pregunta: ¿se seleccionó esta unidad por ser extrema y habría mejorado por sí sola? Si es así, resta la regresión que deberías haber esperado antes de atribuir mérito a cualquier causa — y demuestra los efectos reales contra un control, no contra el extremo del que partiste.
Quieres probar si un programa de tutorías ayuda a los estudiantes que suspendieron un examen de nivel. ¿Qué diseño protege mejor contra la falacia de la regresión?
Cuándo usarlo
Despliega esta distinción siempre que esté sobre la mesa lo de que ‘las cosas revirtieron’. Primero pregunta qué fenómeno estás mirando: una apuesta independiente (territorio de la falacia del jugador — la racha no significa nada), una medición ruidosa estable seleccionada en un extremo (regresión — espera la reversión, no atribuyas mérito a una causa), o un efecto genuino (que debe sobrevivir a un control e, idealmente, mostrar dosis-respuesta). Luego aplica el botiquín. Acierta con la clasificación y no inventarás causas que no están ahí ni descartarás efectos que sí lo están.
Repaso
¿Cuál es la diferencia central entre la falacia del jugador y la regresión a la media?
Comprueba tu respuesta para continuar.
Adónde va esto a continuación
Ese es el modelo completo: la mecánica de señal-más-ruido, el descubrimiento de Galton, la falacia de la regresión, la ilusión del elogio y el castigo y — ahora — cómo distinguir la regresión de una tendencia y de la falacia del jugador, además del botiquín para defenderse de ella. Lo único que queda es demostrar que se ha asentado. El Examen Final es calificado y de un solo sentido: una pregunta cada vez, cada respuesta bloqueada una vez enviada, sin marcha atrás. Hazlo cuando sepas detectar la selección-en-un-extremo en su hábitat natural sin que te digan que mires.