Korrelation og årsagssammenhæng: forskelle, eksempler og hvordan man undgår fejl

Start » Economy » Korrelation og årsagssammenhæng: forskelle, eksempler og hvordan man undgår fejl

Den offentlige samtale om data er fuld af konceptuelle fælder, og blandt dem er en af ​​de mest almindelige at forveksle det faktum, at to ting går hånd i hånd, hvor den ene forårsager den anden. Klart adskilt korrelation fra årsagssammenhæng Det er ikke bare en statistisk teknikalitet; det er en praktisk færdighed til at undgå forhastede beslutninger inden for sundhed, økonomi, marketing eller ... statskundskab.

I de følgende linjer finder du en komplet og underholdende guide til at undgå at falde i den fælde. Vi vil definere begge begreber og gennemgå væsentlige forskelle.Vi vil se på hverdagseksempler, der ved første øjekast er bedragende, udforske metoder til at afsløre falske sammenhænge og gennemgå de mest robuste tilgange til at udlede årsagssammenhænge, ​​når vi ikke kan eksperimentere frit.

Hvad mener vi med korrelation, og hvad med kausalitet?

Når to variabler bevæger sig sammen, siger vi normalt, at de er korrelerede: hvis den ene stiger, har den anden tendens til at stige, eller omvendt. Korrelation er et mål for associationDen kvantificerer intensiteten og retningen af ​​det, der går hånd i hånd, men den fortæller os ikke, hvorfor det sker.

Kausalitet er en anden historie: det indebærer, at en ændring i én variabel forårsager en ændring i en anden. En årsagssammenhæng er retningsbestemt. Og det kræver en mekanisme, der forbinder årsag og virkning. Eksistensen af ​​kausalitet kan resultere i en observerbar korrelation i dataene, afhængigt af hvordan vi måler og under hvilke betingelser.

Vigtige forskelle værd at huske på

• Korrelation betyder ikke årsagssammenhængDer kan være en sammenhæng uden en underliggende årsagssammenhæng.
• Kausalitet indebærer en mekanismeDet manifesterer sig dog muligvis ikke som en korrelation, hvis der er kontroller eller kompensationer, der maskerer mønsteret.
• Korrelationen er symmetrisk (A med B er det samme som B med A), kausalitet er ikke: at A forårsager B betyder ikke, at B forårsager A.

Eksempler der tester intuition

Korrelation uden årsagssammenhæng: den tredje variabelfælde

I tidsmæssige analyser er det typisk at observere, at issalget stiger i varme måneder, og det samme gør drukneulykker på stranden. Begge serier bevæger sig sammen på grund af en fælles faktor. (temperaturen og den øgede brug af stranden), ikke fordi is forårsager drukneulykker eller omvendt. Dette er et klassisk eksempel på falsk korrelation på grund af en forstyrrende variabel.

Noget lignende skete med en medieopdagelse om babyer, der sov med et lys tændt, og deres større sandsynlighed for nærsynethed. Senere blev det set, at forældrenes nærsynethed Det påvirkede både brugen af ​​natlys og, gennem arv, børnenes syn. Igen en tredje variabel, der forklarer sammenhængen.

Når der er en årsag, men sammenhængen forsvinder

Forestil dig en termostat, der holder huset på en konstant temperatur ved at styre en brændselsfyret ovn. Mængden af ​​brændstof forårsager varmeMen fordi termostaten kompenserer, er den indvendige temperatur muligvis ikke korreleret med det forbrændte brændstof. Der er en årsagssammenhæng uden en observerbar korrelation i den måling.

Retning betyder noget, og nogle gange går det baglæns.

Det siges ofte, at et aktivt liv beskytter kognitive præstationer hos ældre voksne. Omvendt kausalitet er dog mulig.De, der bevarer bedre kognitive funktioner, har en tendens til at opretholde mere aktive rutiner. Denne sammenhæng alene løser dog ikke tidens pil.

Simpsons paradoks

Dette paradoks opstår, når en tendens, der er til stede i det samlede antal, vendes, når den adskilles af undergrupper. Et almindeligt eksempel er en behandling, der synes mere effektiv ved høje doser. I de samlede data, men når de opdeles efter køn, er mønsteret omvendt, fordi dosisfordelingen er forskellig mellem grupperne. At sammenligne æbler og pærer maskerer virkeligheden.

Sådan opdager du falske relationer

Et nyttigt værktøj er partiel korrelation: Den måler sammenhængen mellem to variabler, mens den kontrollerer for en tredje.Hvis forbindelsen mellem is og drukning forsvinder, når man kontrollerer for temperatur, ved man, at sammenhængen var falsk.

En anden strategi er at stratificere analysen: opdel efter relevante grupper (alder, køn, region) eller justere for forstyrrende variabler i modeller for at isolere effekter og undgå vildledende konklusioner på grund af blandinger af populationer.

Grundlæggende metrikker til kvantificering af association

Kovarians angiver retningen af ​​den fælles ændring af to variable. Positiv, hvis de bevæger sig i samme retning, og negativ, hvis de bevæger sig i modsatte retningerEn værdi tæt på nul antyder en mangel på lineær sammenhæng. Dens skala afhænger af enhederne, så den er ikke sammenlignelig mellem forskellige par; denne omhu med metrikker minder om praksis med kvalitetskontrol.

Pearsons koefficient normaliserer kovariansen og ligger i intervallet -1 til 1. Det tjener til at kvantificere styrken af ​​en lineær sammenhæng mellem kontinuerlige kvantitative variabler, hvor 1 eller -1 repræsenterer perfekte sammenhænge. Det giver også en p-værdi for at teste, om den observerede sammenhæng kan tilskrives tilfældigheder under bestemte antagelser.

Spearman evaluerer foreningen baseret på rangeringer. Det fungerer godt, når forholdet er monotont, men ikke nødvendigvis lineært.og den er mere robust over for outliers. Desuden understøtter den ordinale variabler, noget Pearson ikke gør.

Andre mindre almindelige muligheder inkluderer Kendall til rangering af matchning og det biserielle punkt, når Den ene variabel er dikotom, og den anden er interval.Valg af den korrekte koefficient forhindrer misforståelser.

Angående den berømte p-værdi er det værd at præcisere: Det er ikke sandsynligheden for, at en hypotese er sandDet angiver, hvor ekstreme de observerede data ville være, hvis nulmodellen var korrekt. En lav p-værdi antyder, at den observerede sammenhæng sandsynligvis ikke skyldes tilfældigheder, men det beviser ikke i sig selv kausalitet.

Hvornår skal hver måling bruges

Hvis du vil vide, i hvilken retning to variabler bevæger sig, uden at have til hensigt at sammenligne størrelser, Kovarians giver dig et fingerpegFor at måle styrken af ​​en lineær sammenhæng med kontinuerte variabler og uden store outliers er Pearson det naturlige valg.

Når du har mistanke om, at forholdet er monotont, men ikke lineært, Er der ekstremværdier, eller arbejder du med ordinale data?Spearmans rangkorrelationskoefficient har en tendens til at give mere pålidelige svar. Og husk: enhver korrelation beskriver en association, ikke en effekt.

Hvad er en kausal model, og hvad bruges den til?

Strukturel ligningsmodellering (SEM) tillader angiv samtidige relationer mellem variabler med fejlled og teoretiske begrænsninger. De er nyttige, når systemet har flere årsagssammenhænge og latente variabler.

Hvordan man laver grundige årsagssammenhænge

Prøvestenen er randomiserede kontrollerede forsøg. Randomisering tildeler behandling eller kontrol tilfældigtved at afveje observerede og ikke-observerede faktorer i gennemsnit. Hvis alt andet forbliver sammenligneligt, tilskrives forskellen i resultater behandlingen.

Når randomisering ikke er mulig, opstår kvasi-eksperimentelle designs. Matchingprocessen har til formål at sammenligne æbler med æbler., matching af behandlede og kontrolenheder på relevante kovariater.

Diskontinuiteten i regression udnytter en tærskel: et grænsepunkt, der tildeler behandlingDe, der ligger lige over og under tærsklen, er ens bortset fra interventionen, som gør det muligt at estimere effekten lokalt.

Forskellene i forskellene sammenlignes udviklingen af ​​en behandlet gruppe og en kontrolgruppe Før og efter interventionen, forudsat parallelle tendenser i fravær af behandling. Det er et effektivt værktøj i evalueringer af politikker.

Observationsdata kan også bruges til at fremme udviklingen ved at kombinere teori og statistik, og situationsanalyse. Gyldige instrumenter, syntetiske kontroller eller ML-modeller De hjælper med at estimere effekter og gør altid antagelserne klare. Analyseværktøjer såsom annonceplatforme eller digitale analysepakker illustrerer denne tilgang med historiske data.

Korrelation i Big Data: Muligheder og faldgruber

Undersøgelse af korrelationer i store databaser afdækker værdifulde mønstre, men Jo større datahavet er, desto flere falske sirener syngerDer forekommer slående associationer, der er resultatet af statistiske sammentræf, ikke reelle relationer.

Algoritmer opdager regelmæssigheder, men uden et klart årsagsspørgsmål og et robust studiedesignSandsynligheden for at forveksle støj med signal stiger dramatisk. Derfor styrer korrelation hypoteser; kausalitet understøttes af veldesignede studier.

Ansvarligt sprog: advarselstegn

Når du læser overskrifter, skal du være forsigtig med kategoriske verber som reducere, øge, forårsage eller eliminere, hvis beviserne stammer fra observationsstudier. Det er tilrådeligt at bruge fornuftige udtryk da det er forbundet med, kunne forbedres, antyder et forhold.

Han har også mistanke årsagspåstande baseret på simple observationerEn association bestemmer ikke retningen: den kan være den modsatte eller skyldes forstyrrende variabler. Forsigtighed i sproget forhindrer dårlige beslutninger.

Et illustrativt eksempel var budskabet om, at forbrug af olivenolie reducerer dødeligheden. Observationsbeviser finder gunstige sammenhængeMen dette er ikke nok til at hævde en årsagssammenhæng; det er mere passende at sige, at det er relateret til lavere dødelighed, eller at det kunne reducere den, indtil der er foretaget forsøg.

På en anden note var der overskrifter om en hormonbehandling, der tilsyneladende beskyttede hjertet. Ved at kontrollere for socioøkonomisk niveau og livsstil Effekten forsvandt og vendte endda om. Skjulte variabler kan forårsage stor skade, hvis de ikke kontrolleres.

Hverdagseksempler, der er vildledende

Hanen galer før daggry, og solen står op hver dag, men Sang får ikke solen til at skinnePå samme måde forårsager bilvask ikke regn, selvom det nogle gange kan virke sådan ved et tilfælde.

Når man er forkølet, drikker man citronsaft, og efter et par dage får man det bedre. Den naturlige udvikling af infektionenHvile og anden pleje forklarer forbedringen; vi kan ikke blot tilskrive det saften.

Ændringer i symptomer kan observeres ved enhver behandling. Det er ikke nok til at konkludere, at ændringen skyldes behandlingen.Eksterne faktorer, regression til middelværdien eller spontane forbedringer kan spille en rolle.

De, der spiser færre ultraforarbejdede fødevarer, har en lavere forekomst af kræft, men Den forskel kan afspejle en sundere livsstil.Større fysisk aktivitet, bedre adgang til pleje eller socioøkonomiske forskelle. Sammenhængen beviser ikke årsagssammenhæng.

Fra korrelation til årsagssammenhæng med empiriske studier

Et berømt tilfælde: mere fysisk aktivitet er korreleret med færre hjerte-kar-sygdomme. Korrelation åbner døren for hypoteserFor eksempel kan motion øge nitrogenoxidniveauet og udvide blodkarrene, hvilket reducerer blodtrykket. Et kontrolleret eksperiment kan derefter måle denne mekanisme og estimere den årsagssammenhæng.

Et andet naivt eksempel: du vil måske opdage, at mere motion er relateret til en højere forekomst af hudkræft. Den virkelige almindelige årsag ville være soleksponeringhvilket øger både udendørsaktivitet og risikoen for hudkræft. Uden eksperimentelt design eller god kontrol af forstyrrende faktorer ville en årsagsfortolkning være fejlagtig.

Regression og kausalitet: hvad virker, og hvad virker ikke

En regression forudsiger én variabel ud fra en anden under statistiske antagelser. Men hverken korrelation eller regression beviser årsagssammenhæng. af sig selv; den kausale sans må komme fra teori, temporalitet eller design.

For at tale om en årsagssammenhæng, skal der som minimum være en statistisk signifikant sammenhæng, og et ledelseskriteriumEnten opstår den kausale variabel før effekten, eller også er der en solid teoretisk begrundelse for den kausale sammenhæng. Uden temporalitet eller teori er der en association, ikke en kausalitet.

Eksempel: at undersøge, om den alder, hvor et barn formulerer sine første sætninger, er relateret til dets efterfølgende akademiske succes. Først sammenlignes foreningenHvis der er en, er retningen klar ud fra den tidsmæssige orden: skolesucces kan ikke gå tilbage i tiden og ændre sig, hvornår den først talte.

Og hvis du leder efter værktøjer til at øve dig, findes der online beregnere og ressourcer, der De giver dig mulighed for at køre korrelationer og regressioner på en enkel måde; nogle platforme som numiqo muliggør disse analyser for lærere, forskere og fagfolk.

Hvordan man vælger mellem korrelation og kausal inferens afhængigt af målet

Korrelation er ideel til at udforske og overvåge relationer på dashboards, prioritér hypoteser og opdag mønstre. i markedsføringDet er meget nyttigt at relatere gentagne besøg til konverteringer eller identificere indhold, der bevæger sig med købsfrekvensen.

Når målet er at tilskrive en specifik intervention effekt (hvad sker der, hvis jeg øger reklamebudgettet), Du har brug for kausale metoderIdeelt set udføres A/B-tests med tilfældig tildeling; hvis dette ikke er muligt, anvendes kvasi-eksperimentelle designs såsom matching, diskontinuitet eller difference-in-differences.

Med data fra værktøjer som analysepakker og reklameplatforme er det almindeligt at ty til modeller med observationsdata understøttet af klare antagelser. Nogle gange bruges valide instrumenter eller syntetisk kontrol til at konstruere troværdige kontrafaktiske udsagn.

Hvis du er interesseret i at eksperimentere med reproducerbare eksempler, kan du tjekke arkiver, der viser Grundlæggende koder til at lege med data i forskellige scenarier, som i eksemplet, der er tilgængeligt på dette link: github.com/pichu2707/corr-causal-enae.

Praktiske tips til evaluering af beviser

Før du omfavner en sensationel overskrift, så spørg dig selv: Er der randomisering eller blot observation?Er der tilstrækkelige kontroller for konfundering? Fortæller undergrupperne den samme historie, eller opstår der et Simpson-paradoks? Sådan filtrerer man støj fra.

Når du ser en observationsundersøgelse med et stærkt verbum, så omformuler det mentalt i konditionalis: er forbundet med og kan reducere eller øgeDenne lille sproglige disciplin undgår overfortolkninger og opretholder videnskabelig ærlighed.

Klassificer undersøgelsen mentalt: observationsbaseret eller interventionel. Observationsforskere opdager associationerHvis eksperimentelle undersøgelser udføres korrekt, giver de langt større sikkerhed i fastlæggelsen af ​​årsagssammenhænge. De fungerer som et hurtigt filter til at undgå faldgruber.

Inden for klinisk psykologi og psykoterapi, hvor flere faktorer sameksisterer og interagerer, teams med erfaring i virkelige kontekster De minder os om, at årsagssammenhænge kræver særlig forsigtighed og passende design for at undgå at forveksle slående korrelationer med reelle terapeutiske effekter.

At se nærmere på dataene, vælge det rigtige værktøj til spørgsmålet og være omhyggelig med sproget gør forskellen på at se, at to ting bevæger sig sammen, og at demonstrere, at den ene bevæger den anden. Brug korrelation til at udforske og prioritere hypoteserReserver kausale metoder til at tilskrive effekter og træffe beslutninger; på denne måde vil du med størst mulig pålidelighed bevæge dig fra hvad der følger med hvad, til hvad der forårsager hvad.