Korelacija i uzročnost: razlike, primjeri i kako izbjeći pogreške

iniciranje » Privreda » Korelacija i uzročnost: razlike, primjeri i kako izbjeći pogreške

Javni razgovor o podacima pun je konceptualnih zamki, a među njima je jedna od najčešćih brkanje činjenice da dvije stvari idu ruku pod ruku, pri čemu jedna uzrokuje drugu. Jasno odvojite korelaciju od uzročnosti To nije samo statistička tehnikalija; to je praktična vještina za izbjegavanje brzopletih odluka u zdravstvu, ekonomiji, marketingu ili politologija.

U sljedećim retcima pronaći ćete cjelovit i zabavan vodič kako biste izbjegli upadanje u tu zamku. Definirat ćemo oba koncepta i proučiti bitne razlike.Promatrat ćemo svakodnevne primjere koji na prvi pogled zavaravaju, istražiti metode za razotkrivanje lažnih odnosa i pregledati najrobustnije pristupe zaključivanju o uzročnim posljedicama kada ne možemo slobodno eksperimentirati.

Što podrazumijevamo pod korelacijom, a što pod kauzalnošću?

Kada se dvije varijable kreću zajedno, obično kažemo da su korelirane: ako se jedna povećava, druga se obično povećava ili obrnuto. Korelacija je mjera povezanostiKvantificira intenzitet i smjer toga što ide ruku pod ruku, ali nam ne govori zašto se to događa.

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

Ključne razlike koje vrijedi zapamtiti

• Korelacija ne podrazumijeva uzročnostMože postojati povezanost bez temeljne 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 s B je isto što i B s 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 vremenskim analizama tipično je primijetiti da se u vrućim mjesecima povećava prodaja sladoleda, kao i broj utapanja na plaži. Obje serije se kreću zajedno zbog zajedničkog faktora. (temperatura i povećana upotreba plaže), a ne zato što sladoled uzrokuje utapanja ili obrnuto. Ovo je klasičan primjer lažne korelacije zbog zbunjujuće varijable.

Nešto slično dogodilo se s medijskim otkrićem o bebama koje su spavale s upaljenim svjetlom i njihovoj većoj vjerojatnosti kratkovidnosti. Kasnije se pokazalo da je kratkovidnost roditelja Utjecalo je i na korištenje noćnog svjetla i, putem nasljeđa, na dječji vid. Opet, treća varijabla objašnjava povezanost.

Kada postoji uzrok, ali korelacija nestaje

Zamislite termostat koji održava kuću na konstantnoj temperaturi kontrolirajući peć na gorivo. Količina goriva uzrokuje toplinuMeđutim, budući da termostat kompenzira, unutarnja temperatura možda neće biti u korelaciji s izgorjelim gorivom. Postoji uzročno-posljedična veza bez uočljive korelacije u tom mjerenju.

Smjer je važan, a ponekad ide unatrag.

Često se kaže da aktivan život štiti kognitivne performanse kod starijih osoba. Međutim, moguća je obrnuta kauzalnost.Oni koji zadržavaju bolje kognitivne funkcije skloniji su održavanju aktivnijih rutina. Međutim, sama ta povezanost ne rješava problem strelice vremena.

Simpsonov paradoks

Ovaj paradoks se javlja kada se trend prisutan u agregatu obrne kada se odvoji podgrupama. Uobičajen primjer je tretman koji se čini učinkovitijim pri visokim dozama. U ukupnim podacima, ali kada se raščlane po spolu, obrazac je obrnut jer se raspodjela doze razlikuje između skupina. Usporedba jabuka i naranči prikriva stvarnost.

Kako otkriti lažne veze

Koristan alat je parcijalna korelacija: Mjeri povezanost između dvije varijable dok kontrolira treću.Ako veza između sladoleda i utapanja nestane kada se kontrolira temperatura, znate da je veza bila lažna.

Druga strategija je stratifikacija analize: podijeliti po relevantnim skupinama (dob, spol, regija) ili prilagoditi zbunjujuće varijable u modelima kako bi se izolirali učinci i izbjegli obmanjujući zaključci zbog mješavina populacija.

Osnovne metrike za kvantificiranje povezanosti

Kovarijanca pokazuje smjer zajedničke promjene dviju varijabli. Pozitivno ako se kreću u istom smjeru, a negativno ako se kreću u suprotnim smjerovimaVrijednost blizu nule ukazuje na odsutnost linearnog odnosa. Njezina skala ovisi o jedinicama, tako da nije usporediva između različitih parova; ovakva briga s metrikama podsjeća na praksu kontrola kvalitete.

Pearsonov koeficijent normalizira kovarijancu i kreće se od -1 do 1. Služi za kvantificiranje snage linearnog odnosa između kontinuiranih kvantitativnih varijabli, gdje 1 ili -1 predstavlja savršene odnose. Također pruža p-vrijednost za testiranje može li se uočena povezanost pripisati slučaju pod određenim pretpostavkama.

Spearman procjenjuje povezanost na temelju rangova. Dobro funkcionira kada je odnos monoton, ali ne nužno linearan.i robusniji je na outliere. Nadalje, podržava ordinalne varijable, nešto što Pearson ne podržava.

Druge manje uobičajene opcije uključuju Kendall za rangiranje i biserijalnu točku kada Jedna varijabla je dihotomna, a druga je intervalna.Odabirom ispravnog koeficijenta izbjegavaju se pogrešna tumačenja.

Što se tiče poznate p-vrijednosti, vrijedi pojasniti: Nije vjerojatnost da je hipoteza istinitaPokazuje koliko bi ekstremni bili opaženi podaci da je nulti model bio točan. Niska p-vrijednost sugerira da opažena povezanost vjerojatno nije posljedica slučajnosti, ali sama po sebi ne dokazuje uzročnost.

Kada koristiti svaku mjeru

Ako želite znati u kojem se smjeru kreću dvije varijable bez namjere usporedbe veličina, Kovarijanca vam daje tragZa mjerenje snage linearnog odnosa s kontinuiranim varijablama i bez velikih outliera, Pearson je prirodan izbor.

Kada sumnjate da je veza monotona, ali ne i linearna, Postoje li ekstremne vrijednosti ili radite s ordinalnim podacima?Spearmanov koeficijent korelacije ranga obično daje pouzdanije odgovore. I zapamtite: svaka korelacija opisuje povezanost, a ne učinak.

Što je kauzalni model i čemu služi?

Modeliranje strukturnih jednadžbi (SEM) omogućuje navedite simultane odnose između varijabli s pojmovima pogreške i teorijskim ograničenjima. Korisni su kada sustav ima više uzročnih putova i latentnih varijabli.

Kako rigorozno zaključivati ​​o uzročnoj povezanosti

Kamen temeljac su randomizirana kontrolirana ispitivanja. Randomizacija nasumično dodjeljuje tretman ili kontroluuravnoteženjem promatranih i nepromatranih čimbenika u prosjeku. Ako sve ostalo ostane usporedivo, razlika u rezultatima pripisuje se tretmanu.

Kada randomizacija nije izvediva, pojavljuju se kvazi-eksperimentalni dizajni. Proces uspoređivanja ima za cilj usporedbu jabuka s jabukama., usklađivanje tretiranih i kontrolnih jedinica na relevantnim kovarijatama.

Diskontinuitet u regresiji iskorištava prag: granična vrijednost koja dodjeljuje tretmanOni koji padnu neposredno iznad i ispod praga slični su osim intervencije, koja omogućuje lokalnu procjenu učinka.

Razlike u razlikama uspoređuju se evolucija tretirane skupine i kontrolne skupine Prije i poslije intervencije, uz pretpostavku paralelnih trendova u odsutnosti liječenja. To je moćan alat u evaluaciji politika.

Podaci opažanja također se mogu koristiti za napredak kombiniranjem teorije i statistike i situacijska analiza. Valjani instrumenti, sintetičke kontrole ili ML modeli Pomažu u približnom procjenjivanju učinaka, uvijek jasno iznoseći pretpostavke. Analitički alati poput oglasnih platformi ili paketa digitalne analitike ilustriraju ovaj pristup povijesnim podacima.

Korelacija u velikim podacima: prilike i zamke

Istraživanje korelacija u velikim bazama podataka otkriva vrijedne obrasce, ali Što je veće more podataka, to više lažnih sirena pjevaPojavljuju se upečatljive asocijacije koje su rezultat statističkih slučajnosti, a ne stvarnih odnosa.

Algoritmi otkrivaju pravilnosti, ali bez jasnog uzročno-posljedičnog pitanja i robusnog dizajna studijeVjerojatnost zamjene šuma za signal dramatično se povećava. Stoga korelacija vodi hipoteze; uzročnost podupiru dobro osmišljene studije.

Odgovoran jezik: znakovi upozorenja

Prilikom čitanja naslova budite oprezni s kategoričkim glagolima poput smanjiti, povećati, uzrokovati ili eliminirati ako dokazi potječu iz opservacijskih studija. Preporučljivo je koristiti razborite izraze kako je povezano s, moglo bi se poboljšati, sugerira odnos.

On također sumnja uzročne tvrdnje temeljene na jednostavnim opažanjimaAsocijacija ne određuje smjer: može biti suprotan 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 asocijacijeAli to nije dovoljno za tvrdnju o uzročnoj učinnosti; prikladnije je reći da je povezana s nižom smrtnošću ili da bi je mogla smanjiti, do završetka ispitivanja.

S druge strane, pojavili su se naslovi o hormonalnom tretmanu koji je, čini se, štitio srce. Kontroliranjem socioekonomske razine i načina života Učinak je izblijedio, pa čak i obrnuo se. Skrivene varijable mogu uzrokovati mnogo štete ako se ne kontroliraju.

Svakodnevni primjeri koji su varljivi

Pijetao kukuriče prije zore i sunce izlazi svaki dan, ali Pjevanje ne tjera sunce da izađeSlično tome, pranje automobila ne uzrokuje kišu, iako se ponekad može činiti tako pukom slučajnošću.

Kod zdravlja, kada ste prehlađeni, pijete sok od limuna i nakon nekoliko dana vam bude bolje. Prirodni razvoj infekcijeOdmor i druga njega objašnjavaju poboljšanje; ne možemo ga jednostavno pripisati soku.

Promjene simptoma mogu se primijetiti kod bilo kojeg liječenja. To nije dovoljno za zaključak da je promjena posljedica liječenja.Mogu biti prisutni vanjski čimbenici, regresija prema prosjeku ili spontana poboljšanja.

Oni koji konzumiraju manje ultra-prerađene hrane imaju tendenciju da imaju manju učestalost raka, ali Ta razlika može odražavati zdraviji način života.Veća tjelesna aktivnost, bolji pristup skrbi ili socioekonomske razlike. Povezanost ne dokazuje uzročnost.

Od korelacije do uzročnosti s empirijskim studijama

Poznati slučaj: više tjelesne aktivnosti povezano je s manje kardiovaskularnih bolesti. Korelacija otvara vrata hipotezamaNa primjer, tjelovježba može povećati razinu dušikovog oksida i proširiti krvne žile, smanjujući krvni tlak. Kontrolirani eksperiment tada može izmjeriti ovaj mehanizam i procijeniti uzročni učinak.

Još jedan naivan primjer: mogli biste otkriti da je više vježbanja povezano s većom učestalošću raka kože. Pravi uobičajeni uzrok bi bio izlaganje suncušto povećava i aktivnosti na otvorenom i rizik od raka kože. Bez eksperimentalnog dizajna ili dobre kontrole zbunjujućih čimbenika, uzročno tumačenje bilo bi pogrešno.

Regresija i kauzalnost: što funkcionira, a što ne

Regresija predviđa jednu varijablu iz druge pod statističkim pretpostavkama. Ali ni korelacija ni regresija ne dokazuju uzročnost. sami po sebi; kauzalni smisao mora dolaziti iz teorije, temporalnosti ili dizajna.

Da biste govorili o uzročnoj učinci, potrebna vam je barem statistički značajna veza i kriterij upravljanjaIli se uzročna varijabla javlja prije učinka ili postoji čvrsto teorijsko opravdanje za uzročnu vezu. Bez temporalnosti ili teorije, postoji povezanost, a ne uzročnost.

Primjer: istražiti je li dob u kojoj dijete formulira svoje prve rečenice povezana s njegovim kasnijim akademskim uspjehom. Prvo se uspoređuje povezanostAko postoji, smjer je jasan iz vremenskog reda: školski uspjeh ne može se vratiti u prošlost i promijeniti kada je prvi put progovorio.

A ako tražite alate za vježbanje, postoje online kalkulatori i resursi koji Omogućuju vam pokretanje korelacija i regresija na jednostavan način; neke platforme poput numiqo-a olakšavaju ove analize za učitelje, istraživače i stručnjake.

Kako birati između korelacije i kauzalne inferencije ovisno o cilju

Korelacija je idealna za istraživanje i praćenje odnosa na nadzornim pločama, priorizirati hipoteze i otkriti obrasce. U marketingPovezivanje ponovljenih posjeta s konverzijama ili identificiranje sadržaja koji se kreće s učestalošću kupnje vrlo je korisno.

Kada je cilj pripisati utjecaj određenoj intervenciji (što se događa ako povećam proračun za oglašavanje), Trebaju vam kauzalne metodeIdealno, A/B testovi sa slučajnim dodjeljivanjem; ako to nije moguće, kvazi-eksperimentalni dizajni kao što su podudaranje, diskontinuitet ili razlika u razlikama.

S podacima iz alata kao što su analitički paketi i reklamne platforme, uobičajeno je pribjegavanje modeli s promatračkim podacima potkrijepljeno jasnim pretpostavkama. Ponekad se za konstruiranje vjerodostojnih protučinjeničnih tvrdnji koriste valjani instrumenti ili sintetička kontrola.

Ako ste zainteresirani za eksperimentiranje s reproducibilnim primjerima, možete provjeriti repozitorije koji pokazuju osnovni kodovi za igranje s podacima u različitim scenarijima, kao u primjeru dostupnom na ovoj poveznici: github.com/pichu2707/corr-causal-enae.

Praktični savjeti za procjenu dokaza

Prije nego što prihvatite senzacionalistički naslov, zapitajte se: Postoji li randomizacija ili samo promatranje?Postoje li odgovarajuće kontrole za zbunjujuće rezultate? Pričaju li podgrupe istu priču ili nastaje Simpsonov paradoks? Ovako se filtrira šum.

Kada vidite opservacijsku studiju s jakim glagolom, mentalno ga preformulirajte u kondicionalu: povezano je s i moglo bi smanjiti ili povećatiOva mala lingvistička disciplina izbjegava pretjerana tumačenja i održava znanstvenu iskrenost.

Mentalno klasificirajte studiju: opservacijska ili intervencijska. Opservacijski istraživači otkrivaju povezanostiEksperimentalne studije, ako su dobro provedene, omogućuju puno veću sigurnost u utvrđivanju uzročnosti. One djeluju kao brzi filter za izbjegavanje pogrešaka.

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 nacrte kako bi se izbjeglo miješanje upečatljivih korelacija sa stvarnim terapijskim učincima.

Pažljivo proučavanje podataka, odabir pravog alata za pitanje i pažljiv pristup jeziku čine razliku između toga da se dvije stvari kreću zajedno i da se pokaže da jedna pokreće drugu. Koristite korelaciju za istraživanje i određivanje prioriteta hipotezaKauzalne metode rezervirajte za pripisivanje učinaka i donošenje odluka; na taj ćete način s najvećom mogućom pouzdanošću prijeći od onoga što se kreće s čime do onoga što uzrokuje što.