Корелация и причинно-следствена връзка: разлики, примери и как да се избегнат грешки

започване » Икономика » Корелация и причинно-следствена връзка: разлики, примери и как да се избегнат грешки

Публичният разговор за данните е пълен с концептуални капани и сред тях объркването на факта, че две неща вървят ръка за ръка, като едното причинява другото, е един от най-честите. Ясно разграничаване на корелацията от причинно-следствената връзка Това не е просто статистическа техническа подробност; това е практично умение за избягване на прибързани решения в здравеопазването, икономиката, маркетинга или... политически науки.

В следващите редове ще намерите пълно и приятно ръководство, за да избегнете попадането в този капан. Ще дефинираме двете понятия и ще разгледаме съществените разлики.Ще разгледаме ежедневни примери, които на пръв поглед са подвеждащи, ще проучим методи за разкриване на фалшиви връзки и ще прегледаме най-надеждните подходи за извеждане на причинно-следствени ефекти, когато не можем да експериментираме свободно.

Какво разбираме под корелация и какво под причинно-следствена връзка?

Когато две променливи се движат заедно, обикновено казваме, че те са корелирани: ако едната се увеличава, другата има тенденция да се увеличава или обратното. Корелацията е мярка за асоциацияТо определя количествено интензивността и посоката на това, което върви ръка за ръка, но не ни казва защо се случва.

Причинно-следствената връзка е друга история: тя предполага, че промяна в една променлива причинява промяна в друга. Причинно-следствената връзка е насочена. И това изисква механизъм, който свързва причината и следствието. Съществуването на причинно-следствена връзка може или не може да доведе до наблюдаема корелация в данните, в зависимост от това как измерваме и при какви условия.

Ключови разлики, които си струва да се запомнят

• Корелацията не предполага причинно-следствена връзкаВъзможно е да има асоциация без скрита причинно-следствена връзка.
• Причинно-следствената връзка предполага механизъмВъпреки това, това може да не се прояви като корелация, ако има контроли или компенсации, които маскират модела.
• Корелацията е симетрична (А с Б е същото като Б с А), причинно-следствената връзка не е: това, че А причинява Б, не означава, че Б причинява А.

Примери, които проверяват интуицията

Корелация без причинно-следствена връзка: капанът на третата променлива

При времевите анализи е типично да се наблюдава, че през горещите месеци продажбите на сладолед се увеличават, както и броят на удавянията на плажа. И двете серии се движат заедно поради общ фактор. (температурата и увеличеното използване на плажа), а не защото сладоледът причинява удавяне или обратното. Това е класически пример за фалшива корелация поради объркваща променлива.

Нещо подобно се случи с медийно откритие за бебета, които спят с включена светлина, и по-голямата вероятност от късогледство при тях. По-късно се видя, че късогледството на родителите Това е повлияло както на използването на нощната светлина, така и, чрез наследственост, на зрението на децата. Отново, трета променлива, обясняваща връзката.

Когато има причина, но корелацията изчезва

Представете си термостат, който поддържа постоянна температура в къщата, като контролира пещ, работеща с гориво. Количеството гориво причинява топлинаВъпреки това, тъй като термостатът компенсира, вътрешната температура може да не корелира с изгореното гориво. Съществува причинно-следствена връзка без наблюдавана корелация в това измерване.

Посоката е важна и понякога тя се движи назад.

Често се казва, че воденето на активен живот защитава когнитивните функции при възрастните хора. Възможна е обаче обратна причинно-следствена връзка.Тези, които запазват по-добри когнитивни функции, са склонни да поддържат по-активни рутини. Тази връзка обаче сама по себе си не решава проблема със стрелата на времето.

Парадоксът на Симпсън

Този парадокс се появява, когато тенденция, присъстваща в агрегата, се обърне, когато е разделена по подгрупи. Често срещан пример е лечение, което изглежда по-ефективно при високи дози. В общите данни, но когато се разпределят по пол, моделът е обратен, защото разпределението на дозата се различава между групите. Сравняването на ябълки и портокали маскира реалността.

Как да разпознаем фалшиви връзки

Полезен инструмент е частичната корелация: Той измерва връзката между две променливи, като същевременно контролира трета.Ако връзката между сладоледа и удавянето изчезне, когато се контролира температурата, знаете, че връзката е била фалшива.

Друга стратегия е стратифицирането на анализа: разделете по съответните групи (възраст, пол, регион) или да се коригират объркващи променливи в моделите, за да се изолират ефектите и да се избегнат подвеждащи заключения, дължащи се на смесване на популации.

Основни показатели за количествено определяне на асоциацията

Ковариацията показва посоката на съвместна промяна на две променливи. Положителни, ако се движат в една и съща посока, и отрицателни, ако се движат в противоположни посокиСтойност, близка до нула, предполага липса на линейна връзка. Мащабът ѝ зависи от мерните единици, така че не е сравним между различните двойки; тази грижа с показателите напомня на практиките на контрол на качеството.

Коефициентът на Пиърсън нормализира ковариацията и варира от -1 до 1. Служи за количествено определяне на силата на линейна връзка между непрекъснати количествени променливи, където 1 или -1 представлява перфектни взаимовръзки. Той също така предоставя p-стойност, за да се провери дали наблюдаваната връзка може да се отдаде на случайност при определени допускания.

Спиърман оценява асоциацията въз основа на ранговете. Работи добре, когато връзката е монотонна, но не непременно линейна.и е по-устойчив на отклонения. Освен това, поддържа ординални променливи, нещо, което Pearson не прави.

Други по-рядко срещани опции включват Kendall за съвпадение на класирането и бисерийната точка, когато Едната променлива е дихотомична, а другата е интервална.Изборът на правилния коефициент избягва погрешни тълкувания.

Относно известната p-стойност, струва си да се уточни: Това не е вероятността една хипотеза да е вярнаТова показва колко екстремни биха били наблюдаваните данни, ако нулевият модел беше правилен. Ниската p-стойност предполага, че наблюдаваната връзка е малко вероятно да се дължи на случайност, но сама по себе си не доказва причинно-следствена връзка.

Кога да се използва всяка мярка

Ако искате да знаете в каква посока се движат две променливи, без да възнамерявате да сравнявате величините им, Ковариацията ви дава представаЗа измерване на силата на линейна връзка с непрекъснати променливи и без големи отклонения, Пиърсън е естественият избор.

Когато подозирате, че връзката е монотонна, но не е линейна, Има ли екстремни стойности или работите с ординални данни?Коефициентът на рангова корелация на Спиърман обикновено дава по-надеждни отговори. И не забравяйте: всяка корелация описва връзка, а не ефект.

Какво е причинно-следствен модел и за какво се използва?

Моделирането със структурни уравнения (SEM) позволява уточнете едновременните връзки между променливи с критерии за грешка и теоретични ограничения. Те са полезни, когато системата има множество причинно-следствени пътища и латентни променливи.

Как да се направи стриктно причинно-следствено заключение

Крайният камък са рандомизирани контролирани проучвания. Рандомизацията назначава лечение или контрола на случаен принципчрез балансиране на наблюдаваните и ненаблюдаваните фактори като средна стойност. Ако всичко останало остане сравнимо, разликата в резултатите се дължи на лечението.

Когато рандомизацията не е осъществима, се появяват квазиекспериментални дизайни. Процесът на съпоставяне има за цел да сравнява ябълки с ябълки., съпоставяне на третираните и контролните единици по съответните ковариати.

Прекъснатостта в регресията използва праг: гранична точка, която назначава лечениеТези, които попадат точно над и под прага, са сходни, с изключение на интервенцията, която позволява ефектът да се оцени локално.

Разликите в разликите се сравняват еволюцията на третирана група и контролна група Преди и след интервенцията, приемайки паралелни тенденции при липса на лечение. Това е мощен инструмент при оценката на политиките.

Данните от наблюдения могат да се използват и за напредък чрез комбиниране на теория и статистика и ситуационен анализ. Валидни инструменти, синтетични контроли или ML модели Те помагат за приблизителното определяне на ефектите, като винаги правят предположенията ясни. Аналитични инструменти, като например рекламни платформи или пакети за дигитален анализ, илюстрират този подход с исторически данни.

Корелация в големите данни: възможности и капани

Изследването на корелациите в големи бази данни разкрива ценни модели, но Колкото по-голямо е морето от данни, толкова повече фалшиви сирени пеятПоявяват се поразителни асоциации, които са резултат от статистически съвпадения, а не от реални взаимовръзки.

Алгоритмите откриват закономерности, но без ясен причинно-следствен въпрос и солиден дизайн на изследванетоВероятността шумът да се сбърка със сигнал се увеличава драстично. Следователно, корелацията насочва хипотезите; причинно-следствената връзка се подкрепя от добре разработени изследвания.

Отговорен език: предупредителни знаци

Когато четете заглавия, бъдете внимателни с категоричните глаголи като „намалявам“, „увеличавам“, „причинявам“ или „елиминирам“, ако доказателствата идват от наблюдателни проучвания. Препоръчително е да се използват разумни изрази тъй като е свързано с, би могло да се подобри, предполага връзка.

Той също подозира причинно-следствени твърдения, основани на прости наблюденияАсоциацията не определя посоката: тя може да е обратната или да се дължи на объркващи променливи. Вниманието в езика предотвратява лошите решения.

Илюстративен пример беше съобщението, че консумацията на зехтин намалява смъртността. Наблюдателни доказателства откриват благоприятни асоциацииНо това не е достатъчно, за да се твърди причинно-следствена връзка; по-подходящо е да се каже, че е свързана с по-ниска смъртност или че би могла да я намали, в очакване на проучвания.

От друга страна, имаше заглавия за хормонално лечение, което изглежда защитава сърцето. Чрез контролиране на социално-икономическото ниво и начина на живот Ефектът отслабна и дори се обърна. Скритите променливи могат да причинят много щети, ако не се контролират.

Ежедневни примери, които са подвеждащи

Петелът пее преди зазоряване и слънцето изгрява всеки ден, но Пеенето не кара слънцето да изгряваПо подобен начин, миенето на колата не причинява дъжд, въпреки че понякога може да изглежда така по чисто съвпадение.

В здравеопазването, когато сте настинали, пиете лимонов сок и след няколко дни се оправяте. Естественото развитие на инфекциятаПочивката и другите грижи обясняват подобрението; не можем просто да го припишем на сока.

Промени в симптомите могат да се наблюдават при всяко лечение. Това не е достатъчно, за да се заключи, че промяната се дължи на лечението.Възможно е да има влияние външни фактори, регресия към средната стойност или спонтанни подобрения.

Тези, които консумират по-малко ултрапреработени храни, са склонни да имат по-ниска честота на рак, но Тази разлика може да отразява по-здравословен начин на живот.По-голяма физическа активност, по-добър достъп до грижи или социално-икономически различия. Връзката не доказва причинно-следствена връзка.

От корелация към причинно-следствена връзка с емпирични изследвания

Известен случай: повече физическа активност е свързана с по-малко сърдечно-съдови заболявания. Корелацията отваря вратата към хипотезиНапример, упражненията могат да увеличат азотния оксид и да разширят кръвоносните съдове, намалявайки кръвното налягане. Контролиран експеримент може да измери този механизъм и да оцени причинно-следствения ефект.

Друг наивен пример: може да откриете, че повече упражнения са свързани с по-висока честота на рак на кожата. Истинската често срещана причина би била излагането на слънцекоето увеличава както активността на открито, така и риска от рак на кожата. Без експериментален дизайн или добър контрол на объркващи фактори, причинно-следствената интерпретация би била погрешна.

Регресия и причинно-следствена връзка: какво работи и какво не

Регресията предсказва една променлива от друга при статистически допускания. Но нито корелацията, нито регресията доказват причинно-следствената връзка. сами по себе си; причинно-следственият смисъл трябва да произлиза от теория, темпоралност или замисъл.

За да се говори за причинно-следствена връзка, е необходима поне статистически значима връзка и критерий за управлениеИли причинно-следствената променлива се появява преди ефекта, или има солидно теоретично обоснование за причинно-следствената връзка. Без темпоралност или теория има асоциация, а не причинно-следствена връзка.

Пример: да се проучи дали възрастта, на която детето формулира първите си изречения, е свързана с последващия му академичен успех. Първо, асоциацията се сравняваАко има такава, посоката е ясна от времевия ред: училищният успех не може да се върне назад във времето и да се промени, когато е проговорил за първи път.

И ако търсите инструменти за упражняване, има онлайн калкулатори и ресурси, които Те ви позволяват да извършвате корелации и регресии по прост начин; някои платформи като numiqo улесняват тези анализи за учители, изследователи и професионалисти.

Как да изберем между корелация и причинно-следствена връзка в зависимост от целта

Корелацията е идеална за изследване и наблюдение на взаимовръзки в табла за управление, приоритизиране на хипотезите и откриване на модели, En маркетингСвързването на повторните посещения с реализациите или идентифицирането на съдържание, което се променя с честотата на покупките, е много полезно.

Когато целта е да се припише въздействие на конкретна интервенция (какво ще стане, ако увелича рекламния бюджет), Нуждаете се от причинно-следствени методиВ идеалния случай, A/B тестове със случайно разпределение; ако това не е възможно, квазиекспериментални дизайни като съвпадение, прекъсване или разлика в разликите.

С данни от инструменти като аналитични пакети и рекламни платформи е обичайно да се прибягва до модели с данни от наблюдения подкрепени от ясни предположения. Понякога се използват валидни инструменти или синтетичен контрол за конструиране на достоверни контрафактуални сценарии.

Ако се интересувате от експериментиране с възпроизводими примери, можете да разгледате хранилища, които показват основни кодове за работа с данни в различни сценарии, както е показано в примера, достъпен на тази връзка: github.com/pichu2707/corr-causal-enae.

Практически съвети за оценка на доказателства

Преди да се заемете със сензационно заглавие, запитайте се: Има ли рандомизация или само наблюдение?Има ли адекватни контроли за объркване? Подгрупите разказват ли една и съща история или възниква парадокс на Симпсън? Ето как се филтрира шумът.

Когато видите обсервационно проучване със силен глагол, мислено го преформулирайте в условно наклонение: е свързано с и може да намали или увеличиТази малка лингвистична дисциплина избягва свръхинтерпретации и поддържа научна честност.

Класифицирайте мислено изследването: наблюдателно или интервенционално. Наблюдателни изследователи откриват асоциацииДобре проведените експериментални изследвания позволяват много по-голяма сигурност при установяване на причинно-следствената връзка. Те действат като бърз филтър за избягване на капани.

В клиничната психология и психотерапията, където множество фактори съжителстват и си взаимодействат, екипи с опит в реални условия Те ни напомнят, че причинно-следствените изводи изискват специално внимание и подходящи методи, за да се избегне объркване на поразителни корелации с реални терапевтични ефекти.

Внимателното разглеждане на данните, изборът на правилния инструмент за въпроса и внимателният език правят разликата между това да видим, че две неща се движат заедно, и да демонстрираме, че едното движи другото. Използвайте корелация, за да изследвате и приоритизирате хипотезиЗапазете причинно-следствените методи за приписване на ефекти и вземане на решения; по този начин ще преминете от това, което се движи с какво, към това, което причинява какво, с възможно най-голяма надеждност.