Korrelaatio ja syy-seuraussuhde: erot, esimerkit ja virheiden välttäminen

Kotisivu » Talous » Korrelaatio ja syy-seuraussuhde: erot, esimerkit ja virheiden välttäminen

Julkinen keskustelu datasta on täynnä käsitteellisiä ansoja, ja yksi yleisimmistä on se, että kaksi asiaa kulkee käsi kädessä ja toinen aiheuttaa toisen. Erota korrelaatio selvästi syy-seuraussuhteesta Se ei ole vain tilastollinen tekninen yksityiskohta; se on käytännön taito hätäisten päätösten välttämiseksi terveydenhuollossa, taloustieteessä, markkinoinnissa tai muussa vastaavassa. valtiotiede.

Seuraavilta riveiltä löydät kattavan ja nautinnollisen oppaan, jonka avulla vältät putoamasta tuohon ansaan. Määrittelemme molemmat käsitteet ja tarkastelemme niiden olennaisia ​​eroja.Tarkastelemme arkipäivän esimerkkejä, jotka ensi silmäyksellä näyttävät harhaanjohtavilta, tutkimme menetelmiä väärien yhteyksien paljastamiseksi ja käymme läpi vankimmat lähestymistavat syy-seuraussuhteiden päättelemiseen tilanteissa, joissa emme voi kokeilla vapaasti.

Mitä tarkoitamme korrelaatiolla ja mitä kausaliteettilla?

Kun kaksi muuttujaa liikkuu yhdessä, sanomme yleensä, että ne korreloivat: jos toinen kasvaa, toinen pyrkii kasvamaan tai päinvastoin. Korrelaatio on assosiaation mittaSe mittaa käsi kädessä kulkemisen voimakkuutta ja suuntaa, mutta se ei kerro meille, miksi se tapahtuu.

Syy-seuraussuhteet ovat toinen juttu: ne tarkoittavat, että yhden muuttujan muutos aiheuttaa muutoksen toisessa. Syy-seuraussuhde on suuntaava. Ja se vaatii mekanismin, joka yhdistää syyn ja seurauksen. Syy-seuraussuhteen olemassaolo voi johtaa tai olla johtamatta havaittavaan korrelaatioon datassa riippuen siitä, miten ja millä ehdoilla mittaamme.

Tärkeimmät erot, jotka kannattaa muistaa

• Korrelaatio ei tarkoita syy-seuraussuhdettaYhteys voi olla olemassa ilman taustalla olevaa syy-seuraussuhdetta.
• Syy-seuraussuhde viittaa mekanismiinSe ei kuitenkaan välttämättä ilmene korrelaationa, jos on olemassa kontrolleja tai kompensointeja, jotka peittävät kuvion.
• Korrelaatio on symmetrinen (A ja B ovat sama asia kuin B ja A), kausaliteetti ei ole: se, että A aiheuttaa B:n, ei tarkoita, että B aiheuttaa A:n.

Esimerkkejä, jotka testaavat intuitiota

Korrelaatio ilman syy-seuraussuhdetta: kolmannen muuttujan ansa

Aika-analyyseissä on tyypillistä havaittaa, että kuumina kuukausina jäätelön myynti kasvaa ja samoin rannalla hukkumiset. Sarjat etenevät yhdessä yhteisen tekijän vuoksi. (lämpötila ja lisääntynyt rannan käyttö), ei siksi, että jäätelö aiheuttaisi hukkumisia tai päinvastoin. Tämä on klassinen esimerkki sekoittavan muuttujan aiheuttamasta virheellisestä korrelaatiosta.

Jotain vastaavaa tapahtui mediassa havaitun löydöksen kanssa, joka koski vauvoja, jotka nukkuivat valo päällä, ja heidän suurempaa todennäköisyyttään sairastua likinäköisyyteen. Myöhemmin havaittiin, että vanhempien likinäköisyys Se vaikutti sekä yövalon käyttöön että perinnöllisyyden kautta lasten näköön. Jälleen kolmas muuttuja selittää yhteyden.

Kun syy on olemassa, mutta korrelaatio katoaa

Kuvittele termostaatti, joka pitää talon lämpötilan vakiona ohjaamalla polttoainekäyttöistä uunia. Polttoaineen määrä aiheuttaa lämpöäKoska termostaatti kompensoi, sisälämpötila ei kuitenkaan välttämättä korreloi poltetun polttoaineen kanssa. Mittauksessa on syy-seuraussuhde, mutta havaittavaa korrelaatiota ei ole.

Suunnalla on väliä, ja joskus se menee taaksepäin.

Usein sanotaan, että aktiivinen elämäntapa suojaa ikääntyneiden kognitiivista suorituskykyä. Käänteinen syy-seuraussuhde on kuitenkin mahdollinen.Ne, joilla on parempi kognitiivinen toimintakyky, ylläpitävät yleensä aktiivisempia rutiineja. Tämä yhteys yksinään ei kuitenkaan ratkaise ajan nuolta.

Simpsonin paradoksi

Tämä paradoksi ilmenee, kun aggregaatissa läsnä oleva trendi kääntyy päinvastaiseksi, kun se erotetaan alaryhmillä. Yleinen esimerkki on hoito, joka näyttää tehokkaammalta suurina annoksina. Kokonaisdatassa, mutta sukupuolen mukaan jaettuna, kaava on päinvastainen, koska annosjakauma eroaa ryhmien välillä. Omenoiden ja appelsiinien vertailu peittää todellisuuden.

Kuinka tunnistaa vääriä suhteita

Hyödyllinen työkalu on osittainen korrelaatio: Se mittaa kahden muuttujan välistä yhteyttä samalla kun kontrolloi kolmatta.Jos jäätelön ja hukkumisen välinen yhteys katoaa, kun lämpötilaa kontrolloidaan, tiedät, että yhteys oli väärä.

Toinen strategia on analyysin stratifiointi: jaa asiaankuuluvien ryhmien (ikä, sukupuoli, alue) mukaan tai ottamalla huomioon mallien sekoittavat muuttujat, jotta vaikutukset voidaan eristää ja välttää harhaanjohtavat johtopäätökset populaatioiden sekoittumisten vuoksi.

Assosiaation kvantifioinnin perusmittarit

Kovarianssi osoittaa kahden muuttujan yhteismuutoksen suunnan. Positiivinen, jos ne liikkuvat samaan suuntaan ja negatiivinen, jos ne liikkuvat vastakkaisiin suuntiinLähellä nollaa oleva arvo viittaa lineaarisen suhteen puuttumiseen. Sen mittakaava riippuu yksiköistä, joten se ei ole vertailukelpoinen eri parien välillä; tämä mittareiden huolellisuus muistuttaa käytäntöjä, joissa laadunvalvonta.

Pearsonin kerroin normalisoi kovarianssin ja vaihtelee välillä -1 - 1. Se auttaa kvantifioimaan lineaarisen suhteen vahvuuden jatkuvien kvantitatiivisten muuttujien välillä, missä 1 tai -1 edustaa täydellisiä yhteyksiä. Se tarjoaa myös p-arvon, jolla testataan, voidaanko havaittu yhteys katsoa sattuman ansioksi tiettyjen oletusten vallitessa.

Spearman arvioi yhdistystä arvojen perusteella. Se toimii hyvin, kun suhde on monotoninen, mutta ei välttämättä lineaarinen.ja se on robustisempi poikkeavien arvojen suhteen. Lisäksi se tukee ordinaalimuuttujia, mitä Pearson ei tue.

Muita harvinaisempia vaihtoehtoja ovat Kendall ranking-yhteensovituksessa ja biserial point, kun Toinen muuttuja on dikotomisen ja toinen on intervalli.Oikean kertoimen valinta estää väärinkäsityksiä.

Kuuluisan p-arvon osalta on syytä selventää: Kyse ei ole siitä todennäköisyydestä, että hypoteesi on tottaSe osoittaa, kuinka äärimmäisiä havaitut tiedot olisivat, jos nollamalli olisi oikea. Matala p-arvo viittaa siihen, että havaittu yhteys ei todennäköisesti johdu sattumasta, mutta se ei yksinään todista syy-seuraussuhdetta.

Milloin kutakin mittaa käytetään

Jos haluat tietää, mihin suuntaan kaksi muuttujaa liikkuu, ilman että aiot vertailla niiden suuruuksia, Kovarianssi antaa sinulle vihjeenLineaarisen suhteen vahvuuden mittaamiseen jatkuvien muuttujien kanssa ja ilman suuria poikkeamia Pearson on luonnollinen valinta.

Kun epäilet, että suhde on yksitoikkoinen, mutta ei lineaarinen, Onko olemassa ääriarvoja vai työskenteletkö ordinaalidatan kanssa?Spearmanin järjestyskorrelaatiokerroin antaa yleensä luotettavampia vastauksia. Ja muista: jokainen korrelaatio kuvaa yhteyttä, ei vaikutusta.

Mikä on kausaalimalli ja mihin sitä käytetään?

Rakenneyhtälömallinnus (SEM) mahdollistaa määritä samanaikaiset suhteet muuttujien välillä, joissa on virhetermejä ja teoreettisia rajoitteita. Ne ovat hyödyllisiä, kun järjestelmässä on useita syy-seuraussuhteita ja piileviä muuttujia.

Kuinka tehdä kausaalipäättely tarkasti

Kosketuskivi on satunnaistettuja kontrolloituja kokeita. Satunnaistaminen määrittää hoidon tai kontrollin satunnaisestitasapainottamalla havaittujen ja havaitsemattomien tekijöiden keskiarvoa. Jos kaikki muu pysyy vertailukelpoisena, tulosten ero katsotaan johtuvan käsittelystä.

Kun satunnaistaminen ei ole mahdollista, syntyy kvasikokeellisia menetelmiä. Yhdistämisprosessin tarkoituksena on vertailla omenoita omenoihin., yhdistämällä käsitellyt ja kontrolliyksiköt asiaankuuluvien kovariaattien perusteella.

Regression epäjatkuvuus hyödyntää kynnystä: raja-arvo, joka määrää hoidonNe, jotka jäävät juuri kynnyksen ylä- ja alapuolelle, ovat samankaltaisia ​​lukuun ottamatta interventiota, jonka ansiosta vaikutusta voidaan arvioida paikallisesti.

Erot eroissa vertailevat hoitoryhmän ja kontrolliryhmän kehitys Ennen interventiota ja sen jälkeen, olettaen rinnakkaiset trendit ilman hoitoa. Se on tehokas työkalu toimintapolitiikan arvioinneissa.

Havaintodataa voidaan käyttää myös edistämiseen yhdistämällä teoriaa ja tilastoja ja tilanneanalyysi. Validit instrumentit, synteettiset kontrollit tai koneoppimismallit Ne auttavat arvioimaan vaikutuksia ja tekevät oletukset aina selkeiksi. Analytiikkatyökalut, kuten mainosalustat tai digitaaliset analytiikkapaketit, havainnollistavat tätä lähestymistapaa historiallisilla tiedoilla.

Korrelaatio Big Datassa: Mahdollisuudet ja sudenkuopat

Korrelaatioiden tutkiminen suurissa tietokannoissa paljastaa arvokkaita malleja, mutta Mitä suurempi datameri, sitä enemmän harhaanjohtavia sireenejä laulaaNäyttää siltä, ​​että havaitaan silmiinpistäviä yhteyksiä, jotka ovat seurausta tilastollisista sattumista, eivät todellisista yhteyksistä.

Algoritmit löytävät säännönmukaisuuksia, mutta ilman selkeää syy-seurauskysymystä ja vankkaa tutkimusasetelmaaKohinan signaaliksi luulemisen todennäköisyys kasvaa dramaattisesti. Siksi korrelaatio ohjaa hypoteeseja; syy-seuraussuhdetta tukevat hyvin suunnitellut tutkimukset.

Vastuullinen kielenkäyttö: varoitusmerkit

Kun luet otsikoita, ole varovainen kategoristen verbien, kuten "vähentää", "lisätä", "aiheuttaa" tai "poistaa", suhteen, jos näyttö on peräisin havainnointitutkimuksista. On suositeltavaa käyttää harkittuja ilmaisuja koska se liittyy johonkin, voisi parantaa, viittaa parisuhteeseen.

Hän epäilee myös kausaaliväitteet yksinkertaisten havaintojen perusteellaAssosiaatio ei määrää suuntaa: se voi olla päinvastainen tai johtua sekoittavista muuttujista. Varovaisuus kielenkäytössä estää huonoja päätöksiä.

Havainnollistava esimerkki oli viesti, jonka mukaan oliiviöljyn kulutus vähentää kuolleisuutta. Havainnointitodisteet löytävät suotuisia yhteyksiäMutta tämä ei riitä väittämään syy-seuraussuhdetta; on tarkoituksenmukaisempaa sanoa, että se liittyy alhaisempaan kuolleisuuteen tai että se voisi vähentää sitä oikeudenkäyntien aikana.

Toisaalta otsikoissa kerrottiin hormonihoidosta, joka näytti suojaavan sydäntä. Kontrolloimalla sosioekonomista tasoa ja elämäntapaa Vaikutus heikkeni ja jopa kääntyi päinvastaiseksi. Piilotetut muuttujat voivat aiheuttaa paljon vahinkoa, jos niitä ei hallita.

Arkipäivän esimerkkejä, jotka ovat harhaanjohtavia

Kukko kiekee ennen aamunkoittoa ja aurinko nousee joka päivä, mutta Laulaminen ei saa aurinkoa näyttämäänSamoin auton pesu ei aiheuta sadetta, vaikka joskus sattumalta siltä vaikuttaakin.

Terveenä ollessasi, kun sinulla on flunssa, juot sitruunamehua ja muutaman päivän kuluttua olosi paranee. Infektion luonnollinen kehitysLepo ja muu huolenpito selittävät parannuksen; emme voi yksinkertaisesti lukea sitä mehun ansioksi.

Oireiden muutoksia voidaan havaita minkä tahansa hoidon yhteydessä. Se ei riitä päättelemään, että muutos johtuu hoidosta.Ulkoiset tekijät, regressio keskiarvoon tai spontaanit parannukset voivat olla vaikuttavia.

Niillä, jotka syövät vähemmän erittäin prosessoituja elintarvikkeita, on yleensä pienempi syöpäriski, mutta Tuo ero voi heijastaa terveellisempiä elämäntapoja.Suurempi fyysinen aktiivisuus, parempi pääsy hoitoon tai sosioekonomiset erot. Yhteys ei todista syy-seuraussuhdetta.

Korrelaatiosta kausaliteettiin empiiristen tutkimusten avulla

Tunnettu tapaus: enemmän fyysistä aktiivisuutta korreloi vähäisempään sydän- ja verisuonitautien esiintyvyyteen. Korrelaatio avaa oven hypoteeseilleEsimerkiksi liikunta voi lisätä typpioksidia ja laajentaa verisuonia, mikä alentaa verenpainetta. Kontrolloidussa kokeessa voidaan sitten mitata tätä mekanismia ja arvioida syy-seuraussuhdetta.

Toinen naiivi esimerkki: saatat huomata, että liikunnan lisääntyminen liittyy ihosyövän suurempaan esiintyvyyteen. Todellinen yleinen syy olisi auringolle altistuminenmikä lisää sekä ulkoilua että ihosyövän riskiä. Ilman kokeellista suunnittelua tai sekoittavien tekijöiden hyvää hallintaa kausaalinen tulkinta olisi virheellinen.

Regressio ja kausaliteetti: mikä toimii ja mikä ei

Regressio ennustaa yhden muuttujan toisesta tilastollisten oletusten vallitessa. Mutta korrelaatio tai regressio eivät kumpikaan todista syy-seuraussuhdetta. itsestään; kausaalisen merkityksen täytyy tulla teoriasta, ajallisuudesta tai suunnittelusta.

Puhuaksesi kausaalisesta vaikutuksesta, tarvitset vähintään tilastollisesti merkitsevän yhteyden ja hallintakriteeriJoko kausaalinen muuttuja esiintyy ennen vaikutusta tai kausaaliselle yhteydelle on vankka teoreettinen perustelu. Ilman ajallisuutta tai teoriaa on olemassa yhteys, ei kausaliteettia.

Esimerkki: tutkia, onko ikä, jolloin lapsi muodostaa ensimmäiset lauseensa, yhteydessä hänen myöhempään akateemiseen menestykseensä. Ensin verrataan yhdistystäJos sellainen on, suunta käy selväksi ajallisesta järjestyksestä: koulumenestys ei voi palata ajassa taaksepäin ja muuttua siitä, kun se ensimmäisen kerran puhui.

Ja jos etsit työkaluja harjoitteluun, verkossa on laskureita ja resursseja, jotka Niiden avulla voit suorittaa korrelaatioita ja regressioita yksinkertaisella tavalla; jotkin alustat, kuten numiqo, helpottavat näitä analyysejä opettajille, tutkijoille ja ammattilaisille.

Miten valita korrelaation ja kausaalipäättelyn välillä tavoitteesta riippuen

Korrelaatio on ihanteellinen työkalu raporttinäkymien suhteiden tutkimiseen ja seurantaan. priorisoi hypoteeseja ja havaitse malleja. sisään markkinointiToistuvien käyntien yhdistäminen konversioihin tai sellaisen sisällön tunnistaminen, joka liikkuu ostotiheyden mukana, on erittäin hyödyllistä.

Kun tavoitteena on osoittaa vaikutus tietylle interventiolle (mitä tapahtuu, jos kasvatan mainosbudjettia), Tarvitset kausaalisia menetelmiäIhannetapauksessa A/B-testit tehdään satunnaisesti tehtävällä sijoituksella; jos tämä ei ole mahdollista, käytetään kvasikokeellisia menetelmiä, kuten yhteensovittamista, epäjatkuvuutta tai eroavaisuuksia.

Analytiikkatyökalujen ja mainosalustojen kaltaisten datan kanssa on yleistä turvautua havaintodataa käyttävät mallit selkeät oletukset tukevat. Joskus käytetään päteviä instrumentteja tai synteettistä kontrollia uskottavien vaihtoehtoisten tilanteiden rakentamiseen.

Jos olet kiinnostunut kokeilemaan toistettavia esimerkkejä, voit tutustua arkistoihin, jotka näyttävät peruskoodit datan kanssa leikkimiseen eri tilanteissa, kuten tässä linkissä olevassa esimerkissä: github.com/pichu2707/corr-causal-enae.

Käytännön vinkkejä todisteiden arviointiin

Ennen kuin tartut sensaatiomaiseen otsikkoon, kysy itseltäsi: Onko kyseessä satunnaistaminen vai pelkkä havainnointi?Onko sekoittavien tekijöiden varalta riittävästi kontrollia? Kertovatko alaryhmät samaa tarinaa, vai syntyykö Simpsonin paradoksi? Näin suodatat pois kohinaa.

Kun näet havainnointitutkimuksessa vahvan verbin, muotoile se mielessäsi uudelleen konditionaaliin: liittyy ja voi vähentää tai lisätäTämä pieni kielitieteen ala välttää ylitulkintoja ja säilyttää tieteellisen rehellisyyden.

Luokittele tutkimus mielessäsi: havainnoiva vai interventionaalinen. Havainnointitutkijat löytävät yhteyksiäHyvin tehdyt kokeelliset tutkimukset antavat paljon suuremman varmuuden syy-yhteyden selvittämisessä. Ne toimivat nopeana suodattimena sudenkuoppien välttämiseksi.

Kliinisessä psykologiassa ja psykoterapiassa, jossa useat tekijät ovat läsnä ja vuorovaikutuksessa, tiimejä, joilla on kokemusta tosielämän tilanteista Ne muistuttavat meitä siitä, että kausaalipäättely vaatii erityistä varovaisuutta ja asianmukaisia ​​​​suunnittelumalleja, jotta vältetään sekaannukset silmiinpistävien korrelaatioiden ja todellisten terapeuttisten vaikutusten välillä.

Datan tarkka tarkastelu, oikean työkalun valinta kysymykseen ja kielen huolellisuus ratkaisevat, nähdäänkö kahden asian liikkuvan yhdessä vai osoitetaanko toisen liikuttavan toista. Käytä korrelaatiota hypoteesien tutkimiseen ja priorisointiinKäytä kausaalimenetelmiä vaikutusten osoittamiseen ja päätöksentekoon; tällä tavoin siirryt mahdollisimman luotettavasti siitä, mikä liikkuu minkäkin mukana, siihen, mikä aiheuttaa minkäkin.