Korelacija i uzročnost: razlike, primjeri i kako izbjeći greške

Početna » Ekonomija » Korelacija i uzročnost: Razlike, primjeri i kako izbjeći greške

Javni diskurs o podacima prepun je konceptualnih zamki, a među njima je i miješanje korelacije između dvije stvari s time da jedna uzrokuje drugu. Jasno razlikovanje korelacije i uzročnosti nije samo statistička tehnikalija; to je praktična vještina za izbjegavanje brzopletih odluka u zdravstvu, ekonomiji, marketingu ili političkim naukama.

U sljedećim redovima pronaći ćete sveobuhvatan i zanimljiv vodič kako biste izbjegli ovu grešku. Definirat ćemo oba koncepta, pregledati ključne razlike , ispitati svakodnevne primjere koji lako mogu zavarati, istražiti metode za razotkrivanje lažnih veza i ispitati najrobustnije pristupe za zaključivanje o uzročno-posljedičnim posljedicama kada ne možemo slobodno eksperimentirati.

Šta podrazumijevamo pod korelacijom, a šta pod kauzalnošću?

Kada se dvije varijable kreću zajedno, obično kažemo da su u korelaciji: ako se jedna povećava, druga teži povećanju ili obrnuto. Korelacija je mjera povezanosti ; ona kvantificira intenzitet i smjer ove interakcije, ali nam ne govori zašto se to događa.

Kauzalnost je sasvim druga stvar: ona podrazumijeva da promjena jedne varijable uzrokuje promjenu druge. Kauzalna veza je usmjerena i zahtijeva mehanizam koji povezuje uzrok i posljedicu. Postojanje kauzalnosti može, ali i ne mora rezultirati uočljivom korelacijom u podacima, ovisno o tome kako i pod kojim uvjetima mjerimo.

Ključne razlike koje vrijedi zapamtiti

• Korelacija ne podrazumijeva uzročnostMože postojati povezanost bez osnovne uzročno-posljedične veze.
• Kauzalnost podrazumijeva mehanizamMeđutim, to se možda neće manifestirati kao korelacija ako postoje kontrole ili kompenzacije koje maskiraju obrazac.
• Korelacija je simetrična (A sa B je isto što i B sa A), kauzalnost nije: to što A uzrokuje B ne znači da B uzrokuje A.

Primjeri koji testiraju intuiciju

Korelacija bez uzročnosti: zamka treće varijable

U analizama vremenskih serija, tipično je primijetiti da se tokom toplijih mjeseci povećavaju i prodaja sladoleda i broj utapanja na plaži. Obje serije se kreću zajedno zbog zajedničkog faktora (temperatura i povećano korištenje plaže), a ne zato što sladoled uzrokuje utapanja ili obrnuto. Ovo je klasičan primjer lažne korelacije zbog zbunjujuće varijable.

Nešto slično se dogodilo s medijskim izvještajem o bebama koje su spavale s upaljenim svjetlom i povećanoj vjerovatnoći razvoja kratkovidnosti kod njih. Kasnije je otkriveno da je kratkovidnost roditelja uticala i na korištenje noćnih svjetala i, putem nasljeđa, na vid njihove djece. Opet, treća varijabla je objasnila ovu povezanost.

Kada postoji uzrok, ali korelacija nestaje

Zamislite termostat koji održava konstantnu temperaturu u kući kontrolirajući peć na gorivo. Količina goriva zaista uzrokuje toplinu , ali budući da termostat to kompenzira, unutarnja temperatura možda nije u korelaciji s količinom sagorjelog goriva. Postoji uzročno-posljedična veza bez uočljive korelacije u tom mjerenju.

Smjer je važan, a ponekad ide unazad.

Često se kaže da aktivan život štiti kognitivne performanse kod starijih osoba. Međutim, može postojati obrnuta kauzalnost : oni koji održavaju bolje kognitivne funkcije imaju tendenciju da imaju aktivnije rutine. Samo ova povezanost ne rješava problem strelice vremena.

Simpsonov paradoks

Ovaj paradoks nastaje kada se trend prisutan u ukupnim podacima obrne kada se podaci razvrstaju u podgrupe. Uobičajen primjer je tretman koji se čini efikasnijim pri visokim dozama ukupno, ali kada se podaci razvrstaju po spolu, obrazac se pokazuje obrnutim jer se raspodjela doze razlikuje između grupa. Poređenje jabuka i narandži prikriva stvarnost.

Kako otkriti lažne veze

Koristan alat je parcijalna korelacija: ona mjeri povezanost između dvije varijable dok kontrolira treću . Ako, prilikom kontrole temperature, veza između sladoleda i utapanja nestane, znate da je veza bila lažna.

Druga strategija je stratifikacija analize: podjela po relevantnim grupama (dob, spol, regija) ili prilagođavanje zbunjujućim varijablama u modelima, kako bi se izolovali efekti i izbjegli obmanjujući zaključci zbog mješavine populacija.

Osnovne metrike za kvantifikaciju povezanosti

Kovarijansa pokazuje smjer zajedničke promjene dvije varijable. Pozitivna je ako se kreću u istom smjeru, a negativna ako se kreću u suprotnim smjerovima ; vrijednost bliska nuli sugerira da ne postoji linearna veza. Njena skala zavisi od jedinica, tako da nije uporediva između različitih parova; ovaj oprez s metrikama podsjeća na prakse kontrole kvalitete.

Pearsonov koeficijent korelacije normalizuje kovarijansu i kreće se od -1 do 1. Kvantificira jačinu linearne veze između kontinuiranih kvantitativnih varijabli, pri čemu 1 ili -1 predstavljaju savršene veze. Također pruža p-vrijednost za testiranje da li se uočena povezanost može pripisati slučaju pod određenim pretpostavkama.

Spearmanov koeficijent korelacije ranga procjenjuje povezanost na osnovu rangova. Dobro funkcionira kada je odnos monoton, ali ne nužno linearan , i robusniji je na ekstremne vrijednosti. Nadalje, podržava ordinalne varijable, što Pearson ne podržava.

Druge, manje uobičajene opcije uključuju Kendallovo pravilo za slaganje rangiranja i pravilo biserijske tačke kada je jedna varijabla dihotomna, a druga intervalna . Odabirom ispravnog koeficijenta izbjegavaju se pogrešna tumačenja.

Što se tiče dobro poznate p-vrijednosti, važno je razjasniti: ona nije vjerovatnoća da je hipoteza tačna . Ona pokazuje koliko bi ekstremni bili posmatrani podaci ako bi nulta hipoteza bila tačna. Niska p-vrijednost sugeriše da je malo vjerovatno da je posmatrana povezanost posljedica slučajnosti, ali sama po sebi ne dokazuje uzročnost.

Kada koristiti svaku mjeru

Ako želite znati smjer u kojem se dvije varijable kreću bez namjere da upoređujete veličine, kovarijansa će vas voditi . Za mjerenje jačine linearne veze s kontinuiranim varijablama i bez velikih outliera, Pearsonov koeficijent korelacije je prirodan izbor.

Kada sumnjate da je odnos monoton, ali ne i linearan, da postoje ekstremne vrijednosti ili da radite s ordinalnim podacima , Spearmanov koeficijent korelacije ranga obično pruža pouzdanije rezultate. I zapamtite: svaka korelacija opisuje povezanost, a ne učinak.

Šta je kauzalni model i za šta se koristi?

Modeliranje strukturnih jednačina (SEM) omogućava specifikaciju simultanih odnosa između varijabli s članovima greške i teorijskim ograničenjima. Korisno je kada sistem ima više uzročnih puteva i latentnih varijabli.

Kako rigorozno zaključivati ​​o uzročnoj povezanosti

Kamen temeljac je randomizirano kontrolirano ispitivanje. Randomizacija nasumično dodjeljuje tretman ili kontrolu , uravnotežujući u prosjeku promatrane i neopažene faktore. Ako sve ostalo ostane usporedivo, razlika u ishodima pripisuje se tretmanu.

Kada randomizacija nije izvodljiva, pojavljuju se kvazi-eksperimentalni dizajni. Uspoređivanje nastoji uporediti jabuke s jabukama izjednačavanjem tretiranih i kontrolnih jedinica na relevantnim kovarijantama.

Diskontinuitet regresije koristi prag: graničnu tačku koja dodjeljuje tretman . Oni odmah iznad i ispod praga su slični, osim intervencije, što omogućava lokalnu procjenu efekta.

Razlika u razlikama upoređuje evoluciju tretirane grupe i kontrolne grupe prije i poslije intervencije, pretpostavljajući paralelne trendove u odsustvu tretmana. To je moćan alat u evaluaciji politika.

Podaci opservacija mogu se koristiti i za unapređenje istraživanja kombinovanjem teorije, statistike i situacione analize . Validni instrumenti, sintetičke kontrole i modeli mašinskog učenja pomažu u približnom određivanju efekata, uvijek jasno navodeći osnovne pretpostavke. Analitički alati kao što su reklamne platforme i digitalni analitički paketi ilustruju ovaj pristup istorijskim podacima.

Korelacija u velikim podacima: prilike i zamke

Istraživanje korelacija u velikim bazama podataka otkriva vrijedne obrasce, ali što je skup podataka veći, to je pjesma sirena lažnija . Pojavljuju se upečatljive asocijacije koje su rezultat statističkih slučajnosti, a ne stvarnih odnosa.

Algoritmi otkrivaju obrasce, ali bez jasnog uzročno-posljedičnog pitanja i robusnog dizajna studije , vjerovatnoća da se šum zamijeni za signal vrtoglavo raste. Zato korelacija vodi hipoteze; uzročnost podržavaju dobro osmišljene studije.

Odgovoran jezik: znakovi upozorenja

Prilikom čitanja naslova, budite oprezni s kategoričkim glagolima poput smanjiti, povećati, uzrokovati ili eliminirati ako dokazi potiču iz opservacijskih studija. Bolje je koristiti opreznije izraze poput "povezano je s", "moglo bi poboljšati" ili "sugerira vezu".

On je također oprezan prema kauzalnim tvrdnjama zasnovanim na pukim zapažanjima . Asocijacija ne određuje smjer: može biti suprotna ili zbog zbunjujućih varijabli. Oprez u jeziku sprječava loše odluke.

Ilustrativan primjer bila je poruka da konzumacija maslinovog ulja smanjuje smrtnost. Opservacijski dokazi pronalaze povoljne asocijacije , ali to nije dovoljno da se utvrdi uzročni efekat; prikladnije je reći da je povezano s nižom smrtnošću ili da bi je moglo smanjiti, u iščekivanju daljnjih ispitivanja.

S druge strane, bilo je naslova o hormonalnom tretmanu koji je, izgleda, štitio srce. Međutim, kada se uzmu u obzir socioekonomski status i način života, efekat je nestao, pa čak i bio obrnut. Skrivene varijable mogu uzrokovati značajnu štetu ako se ne kontrolišu.

Svakodnevni primjeri koji su varljivi

Pijetao kukuriče prije zore i sunce izlazi svaki dan, ali kukurikanje ne uzrokuje izlazak sunca . Slično tome, pranje automobila ne uzrokuje kišu, iako se ponekad može činiti tako pukom slučajnošću.

Kada ste zdravi, kada imate prehladu, pijete sok od limuna i nakon nekoliko dana se osjećate bolje. Prirodni napredak infekcije , odmor i druga njega objašnjavaju poboljšanje; ne možemo ga jednostavno pripisati soku.

Promjene simptoma mogu se primijetiti kod bilo kojeg tretmana. Međutim, to nije dovoljno da se zaključi da je promjena posljedica tretmana ; vanjski faktori, regresija na prosjek ili spontana poboljšanja također mogu biti prisutni.

Ljudi koji konzumiraju manje ultra-prerađene hrane imaju tendenciju da imaju manju učestalost raka, ali ova razlika može odražavati zdraviji način života , veću fizičku aktivnost, bolji pristup zdravstvenoj zaštiti ili socioekonomske razlike. Povezanost ne dokazuje uzročnost.

Od korelacije do uzročnosti s empirijskim studijama

Dobro poznati primjer: povećana fizička aktivnost je povezana sa manjom učestalošću kardiovaskularnih bolesti. Ova korelacija otvara vrata hipotezama , poput one da vježbanje povećava nivo azotnog oksida i širi krvne sudove, smanjujući krvni pritisak. Naknadno, kontrolisani eksperiment može izmjeriti ovaj mehanizam i procijeniti uzročni efekat.

Još jedan naivan primjer: mogli biste otkriti da je više vježbanja povezano s većom učestalošću raka kože. Pravi uobičajeni uzrok bi bio izlaganje suncu , što povećava i aktivnosti na otvorenom i rizik od raka kože. Bez eksperimentalnog dizajna ili dobre kontrole zbunjujućih faktora, uzročna interpretacija bi bila netačna.

Regresija i kauzalnost: šta funkcioniše, a šta ne

Regresija predviđa jednu varijablu na osnovu druge pod statističkim pretpostavkama. Ali ni korelacija ni regresija same po sebi ne dokazuju uzročnost; uzročnost mora proizaći iz teorije, vremenskog okvira ili dizajna.

Da biste govorili o uzročnosti, potreban vam je barem statistički značajan odnos i kriterij smjera : ili se uzročna varijabla javlja prije posljedice, ili postoji čvrsto teorijsko opravdanje za uzročnu vezu. Bez temporalnosti i teorije, postoji povezanost, a ne uzročnost.

Primjer: istražiti da li je dob u kojoj dijete formira svoje prve rečenice povezana s njegovim kasnijim akademskim uspjehom. Prvo se testira povezanost . Ako postoji, smjer je jasan iz vremenskog redoslijeda: akademski uspjeh se ne može poništiti i promijeniti kada je dijete prvi put progovorilo.

A ako tražite alate za vježbanje, postoje online kalkulatori i resursi koji vam omogućavaju da jednostavno izvršite korelacije i regresije ; neke platforme poput numiqo-a olakšavaju ove analize za nastavnike, istraživače i profesionalce.

Kako birati između korelacije i kauzalne inferencije ovisno o cilju

Korelacija je idealna za istraživanje i praćenje odnosa na kontrolnim pločama, određivanje prioriteta hipoteza i otkrivanje obrazaca . U marketingu je povezivanje ponovljenih posjeta s konverzijama ili identificiranje sadržaja koji odgovara učestalosti kupovine vrlo korisno.

Kada je cilj pripisati uticaj određenoj intervenciji (šta se dešava ako povećam budžet za oglašavanje), potrebne su vam kauzalne metode : idealno A/B testiranje sa slučajnim dodjeljivanjem; ako to nije moguće, kvazi-eksperimentalni dizajni kao što su usklađivanje, diskontinuitet ili razlike u razlikama.

Kada se koriste podaci iz alata kao što su analitički paketi i reklamne platforme, uobičajeno je koristiti modele s opservacijskim podacima potkrijepljenim jasnim pretpostavkama. Ponekad se za konstruiranje vjerodostojnih kontrafaktualnih scenarija koriste validni instrumenti ili sintetičke kontrole.

Ako ste zainteresirani za eksperimentiranje s reproducibilnim primjerima, možete pogledati repozitorije koji prikazuju osnovni kod za igranje s podacima u različitim scenarijima , kao što je primjer dostupan na ovom linku: github.com/pichu2707/corr-causal-enae.

Praktični savjeti za procjenu dokaza

Prije nego što prihvatite senzacionalistički naslov, zapitajte se: Postoji li randomizacija ili samo posmatranje ? Postoje li adekvatne kontrole za zbunjujuće rezultate? Da li podgrupe pričaju istu priču ili se pojavljuje Simpsonov paradoks? Ovako se filtrira šum.

Kada vidite opservacijsku studiju sa jakim glagolom, mentalno ga preformulišite u kondicionalu: povezan je sa i mogao bi smanjiti ili povećati . Ova mala lingvistička disciplina sprečava pretjerano tumačenje i održava naučnu iskrenost.

Mentalno klasifikujte studiju kao opservacijsku ili intervencijsku. Opservacijske studije otkrivaju asocijacije ; eksperimentalne studije, ako su dobro osmišljene, omogućavaju mnogo sigurnije određivanje uzročnosti. Ovo je brzi filter za izbjegavanje zamki.

U kliničkoj psihologiji i psihoterapiji, gdje više faktora koegzistira i međusobno djeluje, timovi s iskustvom u stvarnim kontekstima podsjećaju nas da kauzalno zaključivanje zahtijeva poseban oprez i odgovarajuće dizajne kako bi se izbjegle zbunjujuće upečatljive korelacije sa stvarnim terapijskim efektima.

Pažljivo ispitivanje podataka, odabir pravog alata za pitanje i korištenje pažljivog jezika čine svu razliku između uočavanja da se dvije stvari kreću zajedno i demonstracije da jedna pokreće drugu. Koristite korelaciju za istraživanje i određivanje prioriteta hipoteza , a kauzalne metode rezervirajte za pripisivanje efekata i donošenje odluka; na taj način ćete se kretati od onoga što se kreće s čime do onoga što uzrokuje šta s najvećom mogućom pouzdanošću.