Összefüggés és okság: különbségek, példák és a hibák elkerülése

kezdeményezés » Gazdaság » Összefüggés és okság: különbségek, példák és a hibák elkerülése

Az adatokról szóló nyilvános párbeszéd tele van fogalmi csapdákkal, és ezek közül az egyik leggyakoribb az, hogy két dolog összekeveredik azzal a ténnyel, hogy az egyik okozza a másikat. Világosan elkülöníthető a korreláció az oksági viszonytól Ez nem csupán statisztikai technika; ez egy gyakorlati készség, amellyel elkerülhetők az elhamarkodott döntések az egészségügyben, a közgazdaságtanban, a marketingben vagy más területeken. politológia.

A következő sorokban egy teljes és élvezetes útmutatót találsz, hogy elkerüld ezt a csapdát. Mindkét fogalmat definiáljuk, és áttekintjük a lényeges különbségeket.Megvizsgáljuk az első pillantásra megtévesztő mindennapi példákat, feltárjuk a hamis összefüggések leleplezésének módszereit, és áttekintjük a legmegbízhatóbb megközelítéseket az ok-okozati összefüggések kikövetkeztetésére olyan esetekben, amikor nem tudunk szabadon kísérletezni.

Mit értünk korreláció és mit oksági összefüggés alatt?

Amikor két változó együtt mozog, általában azt mondjuk, hogy korrelálnak: ha az egyik növekszik, a másik is növekedni fog, vagy fordítva. A korreláció az asszociáció mértékeSzámszerűsíti az együtt járó folyamat intenzitását és irányát, de nem mondja meg, hogy miért történik.

Az okság egy másik tészta: azt jelenti, hogy az egyik változó változása egy másik változását okozza. Az oksági kapcsolat irányított. És ehhez egy olyan mechanizmusra van szükség, amely összeköti az okot és a következményt. Az oksági viszony megléte eredményezhet vagy nem eredményezhet megfigyelhető korrelációt az adatokban, attól függően, hogy hogyan és milyen feltételek mellett mérünk.

Főbb különbségek, amelyeket érdemes megjegyezni

• A korreláció nem jelent oksági összefüggéstLehetséges olyan összefüggés, amely mögöttes ok-okozati összefüggés nélkül is fennáll.
• Az okság mechanizmust feltételezAzonban előfordulhat, hogy nem nyilvánul meg korrelációként, ha vannak olyan kontrollok vagy kompenzációk, amelyek elfedik a mintázatot.
• A korreláció szimmetrikus (A B-vel ugyanaz, mint B A-val), az oksági viszony nem: az, hogy A okozza B-t, nem jelenti azt, hogy B okozza A-t.

Intuíciót próbára tevő példák

Korreláció okság nélkül: a harmadik változócsapda

Az időbeli elemzésekben jellemző megfigyelés, hogy a forró hónapokban megnő a fagylalt eladása, és ezzel együtt a tengerparton bekövetkezett fulladásos halálesetek száma is. A két sorozat egy közös tényező miatt együtt mozog. (a hőmérséklet és a strand fokozott használata), nem azért, mert a fagylalt fulladásokat okoz, vagy fordítva. Ez egy klasszikus példa a zavaró változó miatti hamis korrelációra.

Valami hasonló történt egy médiában megjelent felfedezéssel, miszerint a felkapcsolt lámpával alvó babáknál nagyobb a rövidlátás kialakulásának valószínűsége. Később kiderült, hogy a szülők rövidlátása Ez befolyásolta mind az éjszakai fény használatát, mind – az öröklődésen keresztül – a gyermekek látását. Ismét egy harmadik változó magyarázza az összefüggést.

Amikor van ok, de az összefüggés eltűnik

Képzelj el egy termosztátot, amely egy tüzelőanyaggal működő kazán vezérlésével állandó hőmérsékleten tartja a házat. Az üzemanyag mennyisége hőt termelAzonban, mivel a termosztát kompenzál, a belső hőmérséklet nem feltétlenül korrelál az elégetett üzemanyaggal. Ok-okozati összefüggés van anélkül, hogy megfigyelhető korreláció lenne ebben a mérésben.

Az irány számít, és néha visszafelé is lehet menni.

Gyakran mondják, hogy az aktív életmód védi az idősebb felnőttek kognitív teljesítményét. Azonban fordított oksági viszony is lehetséges.Azok, akik jobb kognitív funkciókkal rendelkeznek, általában aktívabb rutinokat tartanak fenn. Ez az összefüggés azonban önmagában nem oldja meg az idő nyilának problémáját.

Simpson-paradoxon

Ez a paradoxon akkor jelenik meg, amikor az aggregátumban jelen lévő trend megfordul, ha alcsoportokra bontjuk. Gyakori példa erre egy olyan kezelés, amely nagy dózisokban hatékonyabbnak tűnik. Az összesített adatokban, de nemek szerinti bontásban, a minta fordított, mivel a dóziseloszlás eltérő a csoportok között. Az alma és a narancs összehasonlítása elfedi a valóságot.

Hogyan lehet felismerni a hamis kapcsolatokat

Hasznos eszköz a parciális korreláció: Két változó közötti összefüggést mér, miközben egy harmadikat is figyelembe vesz.Ha a fagylalt és a fulladás közötti kapcsolat eltűnik a hőmérséklet figyelembevételével, akkor tudjuk, hogy a kapcsolat hamis volt.

Egy másik stratégia az elemzés rétegezése: oszd meg releváns csoportok szerint (kor, nem, régió) vagy a modellekben található zavaró változók kiigazítása érdekében, hogy elkülönítsék a hatásokat és elkerüljék a félrevezető következtetéseket a populációk keveredése miatt.

Alapvető mutatók az asszociáció számszerűsítéséhez

A kovariancia két változó együttes változásának irányát jelzi. Pozitív, ha ugyanabba az irányba mozognak, és negatív, ha ellentétes irányban mozognakA nullához közeli érték lineáris kapcsolat hiányára utal. A skálája az egységektől függ, így nem hasonlítható össze a különböző párok között; ez a metrikákra való odafigyelés a következők gyakorlatára emlékeztet: minőségellenőrzés.

A Pearson-együttható normalizálja a kovarianciát, és -1 és 1 között mozog. Lineáris kapcsolat erősségének számszerűsítésére szolgál. folytonos kvantitatív változók között, ahol az 1 vagy -1 tökéletes kapcsolatot jelent. Emellett p-értéket is biztosít annak tesztelésére, hogy a megfigyelt összefüggés bizonyos feltételezések mellett a véletlennek tulajdonítható-e.

Spearman rangok alapján értékeli az asszociációt. Akkor működik jól, ha a kapcsolat monoton, de nem feltétlenül lineáris.és robusztusabb a kiugró értékekkel szemben. Továbbá támogatja az ordinális változókat, amit a Pearson nem.

További kevésbé gyakori lehetőségek közé tartozik a Kendall a rangsoroláshoz és a biserial pont, amikor Az egyik változó dichotóm, a másik pedig intervallum.A megfelelő együttható kiválasztása elkerüli a félreértéseket.

A híres p-értékkel kapcsolatban érdemes tisztázni: Nem az a valószínűség, hogy egy hipotézis igazAzt jelzi, hogy mennyire szélsőségesek lennének a megfigyelt adatok, ha a nullmodell helyes lenne. Az alacsony p-érték arra utal, hogy a megfigyelt összefüggés valószínűleg nem a véletlennek köszönhető, de önmagában nem bizonyítja az oksági összefüggést.

Mikor kell használni az egyes mértékegységeket

Ha tudni akarjuk, hogy két változó melyik irányba mozog anélkül, hogy össze akarnánk hasonlítani a nagyságrendjüket, A kovariancia nyomot adFolytonos változókkal és nagy kiugró értékek nélkül rendelkező lineáris kapcsolat erősségének mérésére a Pearson-módszer a természetes választás.

Amikor gyanítod, hogy a kapcsolat monoton, de nem lineáris, Vannak szélsőséges értékek, vagy ordinális adatokkal dolgozol?A Spearman-féle rangkorrelációs együttható általában megbízhatóbb válaszokat ad. És ne feledd: minden korreláció egy összefüggést ír le, nem pedig egy hatást.

Mi az az oksági modell, és mire használják?

A strukturális egyenletmodellezés (SEM) lehetővé teszi egyidejű kapcsolatok meghatározása változók között hibatagokkal és elméleti korlátokkal. Hasznosak, ha a rendszerben több oksági út és látens változó van.

Hogyan vonjunk le szigorú oksági következtetést?

A próbakő a randomizált, kontrollált vizsgálatok. A randomizálás véletlenszerűen rendeli hozzá a kezelést vagy a kontrollta megfigyelt és nem megfigyelt tényezők átlagos kiegyensúlyozásával. Ha minden más összehasonlítható marad, az eredmények közötti különbséget a kezelésnek tulajdonítják.

Amikor a randomizálás nem megvalósítható, kvázikísérleti tervek jelennek meg. A párosítási folyamat célja az almák összehasonlítása almákkal., a kezelt és a kontroll egységek párosítása a releváns kovariánsokon.

A regresszióban a diszkontinuitás egy küszöbértéket használ ki: egy határérték, amely kijelöli a kezeléstAzok, akik éppen csak a küszöbérték fölé és alá esnek, hasonlóak, kivéve az intervenciót, amely lehetővé teszi a hatás lokális becslését.

A különbségek különbségei összehasonlíthatók a kezelt csoport és a kontrollcsoport fejlődése A beavatkozás előtt és után, feltételezve a kezelés hiányában fennálló párhuzamos trendeket. Ez egy hatékony eszköz a szakpolitikai értékelésekben.

A megfigyelési adatok felhasználhatók az elmélet és a statisztika kombinálásával a fejlődéshez is. helyzetelemzés. Érvényes eszközök, szintetikus kontrollok vagy gépi tanulási modellek Segítenek a hatások becslésében, mindig egyértelművé téve a feltételezéseket. Az olyan analitikai eszközök, mint a hirdetési platformok vagy a digitális elemzőcsomagok, ezt a megközelítést historikus adatokkal illusztrálják.

Korreláció a Big Data-ban: Lehetőségek és buktatók

A nagy adatbázisokban a korrelációk feltárása értékes mintázatokat tár fel, de Minél nagyobb az adattenger, annál több hamis sziréna szólal megMeglepő összefüggések jelennek meg, amelyek statisztikai egybeesések, nem pedig valós kapcsolatok eredményei.

Az algoritmusok felfedezik a szabályszerűségeket, de egyértelmű ok-okozati kérdés és robusztus vizsgálati terv nélkülA zaj jellel való összetévesztésének valószínűsége drámaian megnő. Ezért a korreláció irányítja a hipotéziseket; az oksági összefüggést jól megtervezett tanulmányok támasztják alá.

Felelős nyelvhasználat: figyelmeztető jelek

Címsorok olvasásakor légy óvatos az olyan kategorikus igékkel, mint a „csökkent”, „növeli”, „okot ad” vagy „megszünteti”, ha a bizonyítékok megfigyeléses vizsgálatokból származnak. Célszerű körültekintő kifejezéseket használni mivel összefüggésben áll, javulhat, kapcsolatot sugall.

Azt is gyanítja, egyszerű megfigyeléseken alapuló ok-okozati állításokEgy összefüggés nem határozza meg az irányt: lehet az ellenkezője is, vagy zavaró változók következménye. A nyelvi körültekintés megelőzi a rossz döntéseket.

Szemléltető példa volt az az üzenet, hogy az olívaolaj-fogyasztás csökkenti a halálozási arányt. Megfigyelési bizonyítékok kedvező összefüggéseket találnakDe ez nem elég egy ok-okozati összefüggés megállapításához; helyesebb azt mondani, hogy összefügg az alacsonyabb halálozási aránnyal, vagy hogy csökkentheti azt, a vizsgálatok függvényében.

Egy másik feljegyzésben címlapokra kerültek a hírek egy olyan hormonkezelésről, amely látszólag védi a szívet. A társadalmi-gazdasági szint és az életmód figyelembevételével A hatás elhalványult, sőt vissza is fordult. A rejtett változók sok kárt okozhatnak, ha nem kontrollálják őket.

Mindennapi példák, amelyek megtévesztőek

A kakas minden nap hajnal előtt kukorékol, és a nap felkel, de Az éneklés nem sütteti fel a napotHasonlóképpen, az autó mosása sem okoz esőt, bár néha puszta véletlenségből annak tűnhet.

Egészségügyileg, ha megfázol, citromlevet iszol, és néhány nap múlva jobban leszel. A fertőzés természetes lefolyásaA pihenés és egyéb gondoskodás magyarázza a javulást; nem tulajdoníthatjuk egyszerűen a gyümölcslének.

Bármely kezelés során megfigyelhetők a tünetek változásai. Ez nem elég ahhoz, hogy arra a következtetésre jussunk, hogy a változás a kezelésnek köszönhető.Külső tényezők, az átlaghoz való visszaesés vagy spontán javulások is közrejátszhatnak.

Azok, akik kevesebb ultra-feldolgozott élelmiszert fogyasztanak, általában alacsonyabb a rák kialakulásának kockázata, de Ez a különbség az egészségesebb életmódnak tudható be.Nagyobb fizikai aktivitás, jobb ellátáshoz való hozzáférés vagy társadalmi-gazdasági különbségek. Az összefüggés nem bizonyít ok-okozati összefüggést.

A korrelációtól az okságig empirikus vizsgálatokkal

Egy híres eset: a több fizikai aktivitás összefüggésben áll a kevesebb szív- és érrendszeri betegséggel. A korreláció megnyitja az utat a hipotézisek előttPéldául a testmozgás növelheti a nitrogén-monoxid szintet és tágíthatja az ereket, csökkentve a vérnyomást. Egy kontrollált kísérlettel ezután mérhető ez a mechanizmus, és megbecsülhető az ok-okozati összefüggés.

Egy másik naiv példa: azt tapasztalhatod, hogy a több testmozgás összefüggésben áll a bőrrák magasabb előfordulásával. A valódi gyakori ok a napsugárzás lenneami növeli mind a szabadtéri aktivitást, mind a bőrrák kockázatát. Kísérleti tervezés vagy a zavaró tényezők megfelelő kontrollja nélkül az ok-okozati értelmezés hibás lenne.

Regresszió és okság: mi működik és mi nem

A regresszió statisztikai feltételezések mellett egy változót egy másikból jósol meg. De sem a korreláció, sem a regresszió nem bizonyít oksági összefüggést. önmagukban; az oksági értelemnek az elméletből, az időbeliségből vagy a tervezésből kell származnia.

Ahhoz, hogy ok-okozati összefüggésről beszéljünk, legalább statisztikailag szignifikáns kapcsolatra van szükség, és egy vezetési kritériumVagy az oksági változó a hatás előtt jelentkezik, vagy szilárd elméleti indoklás van az oksági kapcsolatra. Időbeliség vagy elmélet nélkül összefüggés van, nem okság.

Példa: annak vizsgálata, hogy az életkor, amelyben egy gyermek megfogalmazza az első mondatait, összefügg-e a későbbi tanulmányi sikereivel. Először összehasonlítják az egyesületetHa van ilyen, az irány az időbeli sorrendből egyértelmű: az iskolai siker nem mehet vissza az időben és nem változhat meg, amikor először megszólalt.

És ha gyakorláshoz keres eszközöket, online kalkulátorok és források állnak rendelkezésre, amelyek Lehetővé teszik korrelációk és regressziók futtatását egyszerű módon; egyes platformok, mint például a numiqo, megkönnyítik ezeket az elemzéseket tanárok, kutatók és szakemberek számára.

Hogyan válasszunk a korreláció és az oksági következtetés között a célkitűzéstől függően?

A korreláció ideális az irányítópultokon lévő kapcsolatok feltárására és monitorozására, hipotézisek rangsorolása és mintázatok feltárása. -Ban értékesítésNagyon hasznos lehet az ismételt látogatások konverziókhoz való kapcsolása, vagy a vásárlási gyakorisággal együtt változó tartalom azonosítása.

Amikor a cél az, hogy egy adott beavatkozásnak tulajdonítsak hatást (mi történik, ha növelem a hirdetési költségvetést), Oksági módszerekre van szükségedIdeális esetben az A/B tesztek véletlenszerű hozzárendeléssel történnek; ha ez nem lehetséges, kvázikísérleti tervek, mint például az illesztés, a diszkontinuitás vagy a különbségek közötti különbségek.

Az olyan eszközökből származó adatok esetében, mint az analitikai csomagok és a hirdetési platformok, gyakori, hogy a következőkhöz folyamodunk: megfigyelési adatokkal rendelkező modellek egyértelmű feltételezéseken alapulnak. Néha érvényes eszközöket vagy szintetikus kontrollt alkalmaznak hiteles kontrafaktuális helyzetek létrehozására.

Ha reprodukálható példákkal szeretnél kísérletezni, nézd meg azokat a tárházakat, amelyek ezt mutatják alapvető kódok az adatokkal való játékhoz különböző forgatókönyvekben, ahogy az ezen a linken elérhető példában is látható: github.com/pichu2707/corr-causal-enae.

Gyakorlati tippek a bizonyítékok értékeléséhez

Mielőtt belevágnál egy szenzációs főcímbe, tedd fel magadnak a kérdést: Véletlenszerűség van, vagy csak megfigyelés?Vannak-e megfelelő kontrollok a zavaró tényezők kiküszöbölésére? Az alcsoportok ugyanazt a történetet mesélik el, vagy Simpson-paradoxon merül fel? Így szűrjük ki a zajt.

Amikor egy erős igét tartalmazó megfigyeléses tanulmányt látsz, fogalmazd át gondolatban feltételes módban: összefüggésben áll, és csökkentheti vagy növelhetiEz a kis nyelvészeti tudományág kerüli a túlértelmezéseket és megőrzi a tudományos őszinteséget.

Gondolatban osztályozd a vizsgálatot: megfigyeléses vagy intervenciós. Megfigyelő kutatók összefüggéseket fedeznek felA jól elvégzett kísérleti vizsgálatok sokkal nagyobb bizonyossággal teszik lehetővé az oksági összefüggés megállapítását. Gyors szűrőként működnek a buktatók elkerülésére.

A klinikai pszichológiában és a pszichoterápiában, ahol több tényező együttesen és kölcsönhatásban áll, valós helyzetekben tapasztalattal rendelkező csapatok Emlékeztetnek arra, hogy az oksági következtetés különös óvatosságot és megfelelő tervezést igényel, hogy elkerüljük a feltűnő összefüggések és a valódi terápiás hatások összekeverését.

Az adatok alapos vizsgálata, a kérdéshez megfelelő eszköz kiválasztása és a nyelvezettel való körültekintő bánásmód jelenti a különbséget aközött, hogy látjuk, hogy két dolog együtt mozog, és aközött, hogy bebizonyítjuk, hogy az egyik mozgatja a másikat. Használja a korrelációt a hipotézisek feltárásához és rangsorolásáhozTartsa fenn az oksági módszereket a hatások tulajdonítására és a döntéshozatalra; így a lehető legnagyobb megbízhatósággal juthat el attól, hogy mi mivel együtt mozog, arra, hogy mi mit okoz.