Korrelatsioon ja põhjuslik seos: erinevused, näited ja kuidas vigu vältida

algatamine » Majandus » Korrelatsioon ja põhjuslik seos: erinevused, näited ja kuidas vigu vältida

Avalik arutelu andmete üle on täis kontseptuaalseid lõkse ja üks levinumaid neist on kahe asja segi ajamine, kus üks põhjustab teist. Selgelt eraldi korrelatsioon põhjuslikust seosest See pole lihtsalt statistiline tehniline nüanss; see on praktiline oskus rutakaid otsuseid vältida tervishoius, majanduses, turunduses või mujal. politoloogia.

Järgmistest ridadest leiate täieliku ja nauditava juhendi, et vältida sellesse lõksu langemist. Me defineerime mõlemad mõisted ja vaatame üle olulised erinevused.Vaatleme igapäevaseid näiteid, mis esmapilgul petlikud tunduvad, uurime meetodeid valede seoste paljastamiseks ja vaatame üle kõige kindlamad lähenemisviisid põhjuslike tagajärgede järeldamiseks olukordades, kus me ei saa vabalt katsetada.

Mida me mõtleme korrelatsiooni ja mida põhjuslikkuse all?

Kui kaks muutujat liiguvad koos, ütleme tavaliselt, et nad on korrelatsioonis: kui üks suureneb, kipub teine ​​suurenema või vastupidi. Korrelatsioon on seose mõõtSee kvantifitseerib selle käsikäes käimise intensiivsust ja suunda, kuid ei ütle meile, miks see juhtub.

Põhjuslikkus on teine ​​lugu: see tähendab, et ühe muutuja muutus põhjustab muutuse teises. Põhjuslik seos on suunaline. Ja see nõuab mehhanismi, mis ühendab põhjuse ja tagajärje. Põhjuslikkuse olemasolu võib andmetes põhjustada jälgitavat korrelatsiooni või mitte, olenevalt sellest, kuidas ja millistel tingimustel me mõõdame.

Peamised erinevused, mida tasub meeles pidada

• Korrelatsioon ei tähenda põhjuslikku seostVõib esineda seos ilma aluseks oleva põhjusliku seoseta.
• Põhjuslikkus viitab mehhanismileSiiski ei pruugi see korrelatsioonina avalduda, kui on olemas kontrollid või kompensatsioonid, mis mustrit varjavad.
• Korrelatsioon on sümmeetriline (A koos B-ga on sama mis B koos A-ga), põhjuslikkus seda ei ole: see, et A põhjustab B, ei tähenda, et B põhjustab A.

Näited, mis panevad proovile intuitsiooni

Korrelatsioon ilma põhjusliku seoseta: kolmas muutujalõks

Ajalistes analüüsides on tüüpiline täheldada, et kuumadel kuudel suureneb jäätisetu müük ja samuti uppumiste arv rannas. Mõlemad sarjad liiguvad koos ühise teguri tõttu. (temperatuur ja ranna suurenenud kasutamine), mitte sellepärast, et jäätis põhjustab uppumisi või vastupidi. See on klassikaline näide segavast muutujast tingitud näilisest korrelatsioonist.

Midagi sarnast juhtus meedias ilmunud uuringuga, mis käsitles lambiga maganud imikute suuremat lühinägelikkuse tõenäosust. Hiljem selgus, et vanematel oli lühinägelikkus. See mõjutas nii öise valguse kasutamist kui ka pärilikkuse kaudu laste nägemist. Jällegi kolmas muutuja, mis seost selgitab.

Kui on olemas põhjus, aga seos kaob

Kujutage ette termostaati, mis hoiab majas konstantset temperatuuri, juhtides kütusel töötavat ahju. Kütuse kogus põhjustab kuumenemistKuna termostaat kompenseerib, ei pruugi salongi temperatuur olla korrelatsioonis põletatud kütusega. Selle mõõtmise vahel on põhjuslik seos ilma jälgitava korrelatsioonita.

Suund on oluline ja vahel läheb see tagurpidi.

Tihti öeldakse, et aktiivse eluviisi elamine kaitseb vanemate täiskasvanute kognitiivset sooritust. Siiski on võimalik ka vastupidine põhjuslikkus.Need, kellel on parem kognitiivne funktsioon, kipuvad säilitama aktiivsemaid rutiine. See seos üksi aga aja noole probleemi ei lahenda.

Simpsoni paradoks

See paradoks ilmneb siis, kui agregaadis esinev trend pöördub alamrühmadesse eraldamisel vastupidiseks. Levinud näide on ravi, mis tundub suurte annuste korral efektiivsem. Üldandmetes, aga sugupoolte kaupa jaotades, on muster vastupidine, kuna annuste jaotus rühmade vahel erineb. Õunte ja apelsinide võrdlemine varjab tegelikkust.

Kuidas tuvastada võltssuhteid

Kasulik tööriist on osaline korrelatsioon: See mõõdab kahe muutuja vahelist seost, kontrollides samal ajal kolmandat.Kui temperatuuri kontrollimisel seos jäätise ja uppumise vahel kaob, siis teate, et seos oli näiline.

Teine strateegia on analüüsi stratifitseerimine: jagage asjakohaste rühmade (vanus, sugu, piirkond) järgi või kohandage mudelites esinevate segavate muutujate suhtes, et isoleerida mõjusid ja vältida populatsioonide segunemisest tingitud eksitavaid järeldusi.

Seose kvantifitseerimise põhinäitajad

Kovariatsioon näitab kahe muutuja ühise muutuse suunda. Positiivne, kui nad liiguvad samas suunas, ja negatiivne, kui nad liiguvad vastassuundadesNullilähedane väärtus viitab lineaarse seose puudumisele. Selle skaala sõltub ühikutest, seega ei ole see erinevate paaride vahel võrreldav; selline hoolikas lähenemine mõõdikutele meenutab tavasid, kus kvaliteedikontroll.

Pearsoni koefitsient normaliseerib kovariatsiooni ja jääb vahemikku -1 kuni 1. See aitab kvantifitseerida lineaarse seose tugevust pidevate kvantitatiivsete muutujate vahel, kus 1 või -1 tähistab täiuslikke seoseid. See annab ka p-väärtuse, et testida, kas vaadeldavat seost saab teatud eelduste korral omistada juhusele.

Spearman hindab seost auastmete põhjal. See toimib hästi, kui suhe on monotoonne, aga mitte tingimata lineaarne.ja see on erandite suhtes robustsem. Lisaks toetab see ordinaalmuutujaid, mida Pearson ei toeta.

Teiste vähem levinud valikute hulka kuuluvad Kendalli järjestussobitamine ja biserialaalne punkt, kui Üks muutuja on dihhotoomiline ja teine ​​on intervall.Õige koefitsiendi valimine aitab vältida arusaamatusi.

Kuulsa p-väärtuse osas tasub selgitada: See ei ole tõenäosus, et hüpotees on tõeneSee näitab, kui äärmuslikud oleksid vaadeldud andmed, kui nullmudel oleks õige. Madal p-väärtus viitab sellele, et vaadeldud seos ei ole tõenäoliselt juhuslik, kuid see iseenesest ei tõesta põhjuslikku seost.

Millal iga mõõdikut kasutada

Kui soovite teada, millises suunas kaks muutujat liiguvad, ilma et kavatseksite suurusi võrrelda, Kovariatsioon annab sulle vihjeLineaarse seose tugevuse mõõtmiseks pidevate muutujate ja suurte kõrvalekalleteta on Pearson loomulik valik.

Kui kahtlustad, et suhe on monotoonne, aga mitte lineaarne, Kas on olemas äärmuslikke väärtusi või töötate ordinaalandmetega?Spearmani astmekorrelatsioonikordaja kipub andma usaldusväärsemaid vastuseid. Ja pidage meeles: iga korrelatsioon kirjeldab seost, mitte efekti.

Mis on põhjuslik mudel ja milleks seda kasutatakse?

Struktuurivõrrandi modelleerimine (SEM) võimaldab määrake samaaegsed seosed muutujate vahel, millel on veaterminid ja teoreetilised piirangud. Need on kasulikud, kui süsteemil on mitu põhjuslikku teed ja varjatud muutujaid.

Kuidas teha rangelt põhjuslikke järeldusi

Lähtepunktiks on randomiseeritud kontrollitud uuringud. Randomiseerimine määrab ravi või kontrollrühma juhuslikultvaadeldavate ja mittevaadeldavate tegurite keskmise tasakaalustamise teel. Kui kõik muu jääb võrreldavaks, omistatakse tulemuste erinevus ravile.

Kui randomiseerimine pole teostatav, tekivad kvaasieksperimentaalsed disainid. Sobitamise protsessi eesmärk on võrrelda õunu õuntega., sobitades ravitud ja kontrollüksused asjakohaste ühismuutujate põhjal.

Regressiooni katkevus kasutab ära läve: piirväärtus, mis määrab raviNeed, kes jäävad lävendi kohal ja allapoole, on sarnased, välja arvatud sekkumine, mis võimaldab mõju lokaalselt hinnata.

Erinevuste erinevused võrdlevad ravitud rühma ja kontrollrühma areng Enne ja pärast sekkumist, eeldades paralleelseid trende ravi puudumisel. See on võimas tööriist poliitika hindamisel.

Vaatlusandmeid saab edasiliikumiseks kasutada ka teooria ja statistika kombineerimise kaudu. olukorraanalüüs. Kehtivad instrumendid, sünteetilised kontrollid või masinõppe mudelid Need aitavad mõjusid ligikaudselt hinnata, muutes eeldused alati selgeks. Analüütikatööriistad, näiteks reklaamiplatvormid või digitaalsed analüüsikomplektid, illustreerivad seda lähenemisviisi ajalooliste andmetega.

Suurandmete korrelatsioon: võimalused ja lõksud

Suurtes andmebaasides korrelatsioonide uurimine paljastab väärtuslikke mustreid, aga Mida suurem on andmete meri, seda rohkem laulavad võltsid sireenidIlmnevad silmatorkavad seosed, mis tulenevad statistilistest kokkusattumustest, mitte tegelikest seostest.

Algoritmid avastavad seaduspärasusi, aga ilma selge põhjusliku küsimuse ja kindla uuringu ülesehitusetaMüra signaaliks eksitamise tõenäosus suureneb dramaatiliselt. Seetõttu juhib hüpoteese korrelatsioon; põhjuslikku seost toetavad hästi kavandatud uuringud.

Vastutustundlik keel: hoiatusmärgid

Pealkirjade lugemisel olge ettevaatlik kategooriliste tegusõnade, näiteks "vähendama", "suurendama", "põhjustama" või "kõrvaldama", suhtes, kui tõendid pärinevad vaatlusuuringutest. Soovitav on kasutada mõistlikke väljendeid kuna see on seotud, võiks paraneda, viitab suhtele.

Ta kahtlustab ka lihtsatel vaatlustel põhinevad põhjuslikud väitedSeos ei määra suunda: see võib olla vastupidine või tuleneda segavatest muutujatest. Ettevaatlik keelekasutus hoiab ära halbu otsuseid.

Illustreeriv näide oli sõnum, et oliiviõli tarbimine vähendab suremust. Vaatluslikud tõendid leiavad soodsaid seoseidKuid sellest ei piisa põhjusliku seose väitmiseks; sobivam on öelda, et see on seotud madalama suremusega või et see võib seda kuni uuringute lõpuni vähendada.

Teisel teemal ilmusid pealkirjad hormonaalse ravi kohta, mis näis südant kaitsvat. Sotsiaalmajandusliku taseme ja elustiili kontrollimise abil Mõju hääbus ja isegi pöördus. Varjatud muutujad võivad põhjustada palju kahju, kui neid ei kontrollita.

Igapäevased näited, mis on petlikud

Kukk kireb enne koitu ja päike tõuseb iga päev, aga Laulmine ei too päikest väljaSamamoodi ei põhjusta auto pesemine vihma, kuigi see võib mõnikord pelgalt kokkusattumusena nii tunduda.

Tervise osas, kui sul on külmetushaigus, jood sidrunimahla ja mõne päeva pärast läheb paremaks. Infektsiooni loomulik arengPuhkus ja muu hoolitsus selgitavad paranemist; me ei saa seda lihtsalt mahla arvele panna.

Sümptomite muutusi võib täheldada mis tahes ravi korral. Sellest ei piisa järeldamaks, et muutus on tingitud ravist.Mängus võivad olla välised tegurid, keskmisele tasemele tagasiminek või spontaanne paranemine.

Neil, kes tarbivad vähem ülitöödeldud toite, on tavaliselt väiksem vähi esinemissagedus, kuid See erinevus võib peegeldada tervislikumat eluviisi.Suurem füüsiline aktiivsus, parem juurdepääs tervishoiule või sotsiaalmajanduslikud erinevused. Seos ei tõesta põhjuslikku seost.

Korrelatsioonist põhjuslikkuseni empiiriliste uuringute abil

Kuulus juhtum: suurem füüsiline aktiivsus on seotud vähemate südame-veresoonkonna haigustega. Korrelatsioon avab ukse hüpoteesideleNäiteks võib füüsiline koormus suurendada lämmastikoksiidi taset ja laiendada veresooni, alandades vererõhku. Kontrollitud eksperimendiga saab seejärel seda mehhanismi mõõta ja hinnata põhjuslikku seost.

Veel üks naiivne näide: võite avastada, et rohkem treenimine on seotud nahavähi suurema esinemissagedusega. Tegelik levinud põhjus oleks päikese käes viibiminemis suurendab nii õues viibimist kui ka nahavähi riski. Ilma eksperimentaalse disaini või segavate tegurite hea kontrollita oleks põhjuslik tõlgendus ekslik.

Regressioon ja põhjuslikkus: mis toimib ja mis mitte

Regressioon ennustab ühe muutuja teise põhjal statistiliste eelduste alusel. Kuid ei korrelatsioon ega regressioon ei tõesta põhjuslikku seost. iseenesest; põhjuslik tähendus peab tulema teooriast, ajalisusest või disainist.

Põhjuslikust tagajärjest rääkimiseks on vaja vähemalt statistiliselt olulist seost ja juhtimiskriteeriumKas põhjuslik muutuja esineb enne tagajärge või on põhjuslikul seosel kindel teoreetiline põhjendus. Ilma ajalisuse või teooriata on olemas seos, mitte põhjuslik seos.

Näide: uurida, kas vanus, mil laps oma esimesi lauseid sõnastab, on seotud tema edasise akadeemilise eduga. Esmalt võrreldakse seostKui selline suund on olemas, siis on see ajalisest korrast selge: kooliedu ei saa ajas tagasi minna ja muutuda siis, kui see esmakordselt kõnetas.

Ja kui otsite harjutamiseks tööriistu, on olemas veebikalkulaatorid ja ressursid, mis Need võimaldavad teil käivitada korrelatsioone ja regressioone lihtsal viisil; mõned platvormid, näiteks numiqo, hõlbustavad neid analüüse õpetajatele, teadlastele ja spetsialistidele.

Kuidas valida korrelatsiooni ja põhjusliku järelduse vahel olenevalt eesmärgist

Korrelatsioon sobib ideaalselt seoste uurimiseks ja jälgimiseks armatuurlaudadel, seada hüpoteese tähtsuse järjekorda ja tuvastada mustreid. Sisse turundusKorduvate külastuste seostamine konversioonidega või sellise sisu tuvastamine, mis ostusagedusega kaasneb, on väga kasulik.

Kui eesmärk on omistada mõju konkreetsele sekkumisele (mis juhtub, kui suurendan reklaamieelarvet), Teil on vaja põhjuslikke meetodeidIdeaalis kasutatakse A/B-teste juhusliku määramisega; kui see pole võimalik, siis kvaasieksperimentaalseid teste, näiteks sobitamine, katkevus või erinevuste-erinevuste meetod.

Selliste tööriistade nagu analüütikakomplektide ja reklaamiplatvormide andmete puhul on tavaline pöörduda vaatlusandmetega mudelid mida toetavad selged eeldused. Mõnikord kasutatakse usutavate vastuoluliste stsenaariumide loomiseks kehtivaid vahendeid või sünteetilist kontrolli.

Kui olete huvitatud reprodutseeritavate näidetega katsetamisest, saate vaadata repositooriume, mis näitavad Põhikoodid andmetega mängimiseks erinevates stsenaariumides, nagu sellel lingil olevas näites: github.com/pichu2707/corr-causal-enae.

Praktilised näpunäited tõendite hindamiseks

Enne sensatsioonilise pealkirja omaksvõtmist küsi endalt: Kas toimub randomiseerimine või lihtsalt vaatlus?Kas segadust tekitavate tegurite kontrollimiseks on piisavalt meetodeid? Kas alamrühmad räägivad sama lugu või tekib Simpsoni paradoks? Nii filtreeritakse müra välja.

Kui näete vaatlusuuringut, milles on tugev tegusõna, sõnastage see mõttes ümber tingivaks kõneviisiks: on seotud ja võib vähendada või suurendadaSee väike keeleteaduslik distsipliin väldib ületõlgendamisi ja säilitab teadusliku aususe.

Liigita uuring mõttes: vaatluslik või sekkumisuuring. Vaatlusteadlased avastavad seoseidHästi läbi viidud eksperimentaalsed uuringud võimaldavad põhjusliku seose kindlakstegemisel palju suuremat kindlust. Need toimivad kiire filtrina lõksude vältimiseks.

Kliinilises psühholoogias ja psühhoteraapias, kus mitmed tegurid koos eksisteerivad ja omavahel suhestuvad, meeskonnad, kellel on kogemusi reaalsetes olukordades Nad tuletavad meile meelde, et põhjusliku seose analüüs nõuab erilist ettevaatust ja sobivaid kujundusi, et vältida silmatorkavate korrelatsioonide ja tegelike terapeutiliste efektide segiajamist.

Andmete tähelepanelik uurimine, küsimusele sobiva tööriista valimine ja keelekasutuse hoolikas kasutamine teeb vahet, kas näha kahe asja koos liikumist või demonstreerida, et üks liigutab teist. Kasutage korrelatsiooni hüpoteeside uurimiseks ja prioriseerimiseksJäta põhjuslikud meetodid tagajärgede omistamiseks ja otsuste langetamiseks; nii liigud suurima võimaliku usaldusväärsusega sellelt, mis millega kaasneb, sellele, mis mida põhjustab.