Koreliacija ir priežastingumas: skirtumai, pavyzdžiai ir kaip išvengti klaidų

pradžia » Ekonomika » Koreliacija ir priežastingumas: skirtumai, pavyzdžiai ir kaip išvengti klaidų

Viešose diskusijose apie duomenis gausu konceptualių spąstų, ir vienas iš jų – vienas dažniausių – painiojimasis su tuo, kad du dalykai yra susiję, kai vienas sukelia kitą. Aiškiai atskirti koreliaciją nuo priežastinio ryšio Tai ne tik statistinis techninis niuansas; tai praktinis įgūdis, padedantis išvengti skubotų sprendimų sveikatos, ekonomikos, rinkodaros ar kitose srityse. politologija.

Šiose eilutėse rasite išsamų ir malonų vadovą, kaip nepakliūti į šiuos spąstus. Apibrėžsime abi sąvokas ir apžvelgsime esminius skirtumus.Nagrinėsime kasdienius pavyzdžius, kurie iš pirmo žvilgsnio atrodo apgaulingi, tyrinėsime metodus, kaip demaskuoti klaidingus ryšius, ir apžvelgsime patikimiausius būdus nustatyti priežastinius padarinius, kai negalime laisvai eksperimentuoti.

Ką turime omenyje sakydami koreliacija, o ką – priežastingumas?

Kai du kintamieji juda kartu, paprastai sakome, kad jie yra koreliuojami: jei vienas didėja, kitas linkęs didėti arba atvirkščiai. Koreliacija yra asociacijos matasTai kiekybiškai įvertina to ėjimo koja kojon intensyvumą ir kryptį, bet nepasako, kodėl tai vyksta.

Priežastingumas yra kita istorija: jis reiškia, kad vieno kintamojo pokytis sukelia kito kintamojo pokytį. Priežastinis ryšys yra kryptingas. Ir tam reikalingas mechanizmas, jungiantis priežastį ir pasekmę. Priežastingumo egzistavimas gali sukelti arba nelemti stebimą koreliaciją duomenyse, priklausomai nuo to, kaip ir kokiomis sąlygomis mes tai darome.

Svarbiausi skirtumai, kuriuos verta prisiminti

• Koreliacija nereiškia priežastinio ryšioGali būti ryšys be pagrindinio priežastinio ryšio.
• Priežastingumas reiškia mechanizmąTačiau tai gali nepasireikšti kaip koreliacija, jei yra kontrolės ar kompensacijų, kurios užmaskuoja modelį.
• Koreliacija yra simetriška (A su B yra tas pats, kas B su A), priežastingumas nėra: tai, kad A sukelia B, nereiškia, kad B sukelia A.

Intuiciją tikrinantys pavyzdžiai

Koreliacija be priežastingumo: trečiasis kintamųjų spąstas

Laiko analizėse būdinga pastebėti, kad karštaisiais mėnesiais padidėja ledų pardavimai ir skendimų paplūdimiuose skaičius. Abi serijos juda kartu dėl bendro veiksnio. (temperatūra ir padažnėjęs paplūdimio naudojimas), o ne todėl, kad ledai sukelia skendimus ar atvirkščiai. Tai klasikinis klaidingos koreliacijos dėl klaidinančio kintamojo pavyzdys.

Kažkas panašaus nutiko ir su žiniasklaidos išvadomis apie kūdikius, kurie miegodavo su įjungta lempute, ir jiems buvo didesnė trumparegystės tikimybė. Vėliau paaiškėjo, kad tėvų trumparegystė Tai turėjo įtakos tiek naktinio apšvietimo naudojimui, tiek, per paveldimumą, vaikų regėjimui. Vėlgi, trečias kintamasis, paaiškinantis ryšį.

Kai yra priežastis, bet koreliacija išnyksta

Įsivaizduokite termostatą, kuris palaiko pastovią namo temperatūrą, valdydamas kuru kūrenamą krosnį. Kuro kiekis sukelia šilumąTačiau, kadangi termostatas kompensuoja, salono temperatūra gali nekoreliuoti su sudegintu kuru. Yra priežastinis ryšys be pastebimos koreliacijos tame matavime.

Kryptis svarbi, o kartais ji veda atgal.

Dažnai sakoma, kad aktyvus gyvenimo būdas apsaugo vyresnio amžiaus suaugusiųjų kognityvinius gebėjimus. Tačiau atvirkštinis priežastingumas yra įmanomas.Tie, kurie išlaiko geresnes kognityvines funkcijas, linkę palaikyti aktyvesnę rutiną. Tačiau vien šis ryšys neišsprendžia laiko problemos.

Simpsono paradoksas

Šis paradoksas atsiranda, kai agregate esanti tendencija apsiverčia aukštyn kojomis, kai ją atskiria pogrupiai. Dažnas pavyzdys yra gydymas, kuris atrodo veiksmingesnis didelėmis dozėmis. Bendruose duomenyse, tačiau suskirstant juos pagal lytį, modelis yra atvirkštinis, nes dozių pasiskirstymas tarp grupių skiriasi. Lyginant obuolius ir apelsinus, tikrovė slepiasi.

Kaip atpažinti netikrus santykius

Naudinga priemonė yra dalinė koreliacija: Jis matuoja dviejų kintamųjų ryšį, kartu kontroliuojant trečiąjį.Jei kontroliuojant temperatūrą išnyksta ryšys tarp ledų ir skendimo, žinote, kad ryšys buvo netikras.

Kita strategija – stratifikuoti analizę: suskirstyti pagal atitinkamas grupes (amžius, lytis, regionas) arba koreguoti modeliuose esančius klaidinančius kintamuosius, siekiant išskirti poveikį ir išvengti klaidinančių išvadų dėl populiacijų mišrumo.

Pagrindiniai asociacijos kiekybinio įvertinimo rodikliai

Kovariacija rodo dviejų kintamųjų bendro kitimo kryptį. Teigiama, jei juda ta pačia kryptimi, ir neigiama, jei juda priešingomis kryptimis.Artima nuliui reikšmė rodo tiesinio ryšio nebuvimą. Jos skalė priklauso nuo vienetų, todėl jos negalima palyginti tarp skirtingų porų; toks rūpestingas požiūris į metrikas primena praktiką, kai kokybės kontrolė.

Pearsono koeficientas normalizuoja kovariaciją ir svyruoja nuo -1 iki 1. Tai padeda kiekybiškai įvertinti tiesinio ryšio stiprumą tarp tolydžių kiekybinių kintamųjų, kur 1 arba -1 reiškia idealius ryšius. Tai taip pat pateikia p reikšmę, skirtą patikrinti, ar stebimą ryšį galima priskirti atsitiktinumui esant tam tikroms prielaidoms.

Spearmanas įvertina asociaciją pagal rangus. Tai gerai veikia, kai santykis yra monotoniškas, bet nebūtinai linijinis.ir jis yra atsparesnis išskirtims. Be to, jis palaiko ranginius kintamuosius, ko Pearsono metodas nepalaiko.

Kiti retesni variantai yra „Kendall“ reitingavimo atitikimui ir biserialinis taškas, kai Vienas kintamasis yra dichotominis, o kitas – intervalinis.Tinkamo koeficiento pasirinkimas padeda išvengti nesusipratimų.

Kalbant apie garsiąją p reikšmę, verta patikslinti: Tai nėra tikimybė, kad hipotezė yra teisingaTai rodo, kokie kraštutiniai būtų stebimi duomenys, jei nulinis modelis būtų teisingas. Maža p reikšmė rodo, kad stebimas ryšys greičiausiai nėra atsitiktinis, tačiau jis pats savaime neįrodo priežastingumo.

Kada naudoti kiekvieną matavimo priemonę

Jei norite sužinoti, kuria kryptimi juda du kintamieji, neketindami lyginti jų dydžių, Kovariacija suteikia jums užuominąNorint išmatuoti tiesinio ryšio su tolydžiais kintamaisiais ir be didelių išskirtinių verčių stiprumą, natūralus pasirinkimas yra Pearsono metodas.

Kai įtariate, kad santykiai yra monotoniški, bet ne linijiniai, Ar yra kraštutinių verčių, ar dirbate su eilės duomenimis?Spirmeno rango koreliacijos koeficientas paprastai pateikia patikimesnius atsakymus. Ir nepamirškite: kiekviena koreliacija apibūdina ryšį, o ne poveikį.

Kas yra priežastinis modelis ir kam jis naudojamas?

Struktūrinių lygčių modeliavimas (SEM) leidžia nurodykite vienalaikius ryšius tarp kintamųjų su paklaidos terminais ir teoriniais apribojimais. Jie naudingi, kai sistema turi daug priežastinių kelių ir latentinių kintamųjų.

Kaip griežtai daryti priežastines išvadas

Kriterijus yra atsitiktinių imčių kontroliuojami tyrimai. Atsitiktinės atrankos būdu gydymas arba kontrolė priskiriami atsitiktinaividutiniškai subalansuojant stebimus ir nestebimus veiksnius. Jei visa kita išlieka panaši, rezultatų skirtumas priskiriamas gydymui.

Kai atsitiktinės atrankos neįmanoma, atsiranda kvazieksperimentiniai modeliai. Derinimo proceso tikslas – palyginti obuolius su obuoliais., suderinant apdorotus ir kontrolinius vienetus su atitinkamais kovariantais.

Regresijos netolydumas išnaudoja ribą: ribinis taškas, pagal kurį skiriamas gydymasTie, kurie nukrenta šiek tiek aukščiau ir žemiau ribos, yra panašūs, išskyrus intervenciją, kuri leidžia įvertinti poveikį vietoje.

Skirtumai skirtumuose palyginami Gydomosios ir kontrolinės grupės evoliucija Prieš intervenciją ir po jos, darant prielaidą, kad nesant gydymo tendencijos yra lygiagrečios. Tai galinga politikos vertinimo priemonė.

Stebėjimo duomenys taip pat gali būti naudojami pažangai derinant teoriją ir statistiką bei situacijos analizė. Galiojantys instrumentai, sintetiniai valdikliai arba mašininio mokymosi modeliai Jie padeda apytiksliai įvertinti poveikį, visada aiškiai pateikdami prielaidas. Analizės įrankiai, tokie kaip reklamos platformos ar skaitmeninės analizės paketai, iliustruoja šį metodą istoriniais duomenimis.

Koreliacija dideliuose duomenyse: galimybės ir spąstai

Koreliacijų tyrimas didelėse duomenų bazėse atskleidžia vertingus modelius, tačiau Kuo didesnė duomenų jūra, tuo daugiau netikrų sirenų giedaPasirodo ryškios asociacijos, kurios yra statistinių sutapimų, o ne realių ryšių rezultatas.

Algoritmai atranda dėsningumus, bet be aiškaus priežastinio klausimo ir patikimo tyrimo dizainoTriukšmo painiojimo su signalu tikimybė smarkiai padidėja. Todėl koreliacija lemia hipotezes; priežastinį ryšį patvirtina gerai suplanuoti tyrimai.

Atsakinga kalba: įspėjamieji ženklai

Skaitydami antraštes, būkite atsargūs su kategoriniais veiksmažodžiais, tokiais kaip „sumažinti“, „padidinti“, „sukelti“ arba „panaikinti“, jei įrodymai gauti iš stebėjimo tyrimų. Patartina vartoti apdairus posakius nes yra susijęs su, galėtų pagerėti, rodo santykius.

Jis taip pat įtaria priežastiniai teiginiai, pagrįsti paprastais stebėjimaisAsociacija nenulemia krypties: ji gali būti priešinga arba dėl klaidinančių kintamųjų. Atsargi kalba padeda išvengti blogų sprendimų.

Iliustracinis pavyzdys buvo žinia, kad alyvuogių aliejaus vartojimas mažina mirtingumą. Stebėjimo duomenys rodo palankias asociacijasTačiau to nepakanka teigti apie priežastinį poveikį; tinkamiau sakyti, kad tai susiję su mažesniu mirtingumu arba kad tai galėtų jį sumažinti, kol bus atlikti tyrimai.

Kita vertus, pasirodė antraštės apie hormoninį gydymą, kuris, regis, apsaugojo širdį. Kontroliuojant socialinį ir ekonominį lygį bei gyvenimo būdą Poveikis išblėso ir netgi pasikeitė. Paslėpti kintamieji gali padaryti daug žalos, jei jie nėra kontroliuojami.

Kasdieniai pavyzdžiai, kurie yra apgaulingi

Gaidys gieda prieš aušrą ir saulė teka kiekvieną dieną, bet Dainavimas nepadeda saulėsPanašiai ir automobilio plovimas nesukelia lietaus, nors kartais taip gali atrodyti dėl gryno atsitiktinumo.

Kalbant apie sveikatą, peršalus geri citrinos sultis ir po kelių dienų pasijunti geriau. Natūrali infekcijos evoliucijaPoilsis ir kita priežiūra paaiškina pagerėjimą; negalime to tiesiog priskirti sultims.

Bet kokio gydymo metu gali pasireikšti simptomų pokyčiai. To nepakanka, kad būtų galima daryti išvadą, jog pokytis atsirado dėl gydymo.Gali būti įtakos išoriniai veiksniai, regresija į vidurkį arba savaiminis pagerėjimas.

Tie, kurie vartoja mažiau itin perdirbtų maisto produktų, linkę rečiau susirgti vėžiu, tačiau... Šis skirtumas gali atspindėti sveikesnį gyvenimo būdą.Didesnis fizinis aktyvumas, geresnė prieiga prie priežiūros arba socialiniai ir ekonominiai skirtumai. Šis ryšys neįrodo priežastinio ryšio.

Nuo koreliacijos iki priežastingumo naudojant empirinius tyrimus

Gerai žinomas atvejis: didesnis fizinis aktyvumas yra susijęs su mažesniu širdies ir kraujagyslių ligų skaičiumi. Koreliacija atveria duris hipotezėmsPavyzdžiui, mankšta gali padidinti azoto oksido kiekį ir išplėsti kraujagysles, taip sumažindama kraujospūdį. Kontroliuojamu eksperimentu galima išmatuoti šį mechanizmą ir įvertinti priežastinį poveikį.

Dar vienas naivus pavyzdys: galite pastebėti, kad didesnis fizinis krūvis yra susijęs su didesniu odos vėžio dažniu. Tikroji dažna priežastis būtų saulės spinduliavimaso tai padidina ir aktyvumą lauke, ir odos vėžio riziką. Be eksperimentinio plano ar geros klaidinančių veiksnių kontrolės, priežastinis aiškinimas būtų klaidingas.

Regresija ir priežastingumas: kas veikia, o kas ne

Regresija prognozuoja vieną kintamąjį pagal kitą, remiantis statistinėmis prielaidomis. Tačiau nei koreliacija, nei regresija neįrodo priežastinio ryšio. savaime; priežastinis ryšys turi kilti iš teorijos, laikiškumo arba dizaino.

Norint kalbėti apie priežastinį poveikį, reikia bent jau statistiškai reikšmingo ryšio ir valdymo kriterijusArba priežastinis kintamasis atsiranda prieš pasekmę, arba yra tvirtas teorinis priežastinio ryšio pagrindimas. Nesant laikinumo ar teorijos, yra ryšys, o ne priežastingumas.

Pavyzdys: ištirti, ar amžius, kada vaikas suformuluoja pirmuosius sakinius, yra susijęs su jo vėlesne akademine sėkme. Pirma, asociacija lyginamaJei tokia kryptis egzistuoja, ji aiški iš laiko tvarkos: mokyklos sėkmė negali grįžti laiku atgal ir pasikeisti nuo tada, kai ji pirmą kartą prabilo.

O jei ieškote įrankių praktikai, yra internetinių skaičiuotuvų ir išteklių, kurie Jie leidžia atlikti koreliacijas ir regresijas paprastai; kai kurios platformos, tokios kaip „numiqo“, palengvina šią analizę mokytojams, tyrėjams ir specialistams.

Kaip pasirinkti koreliacijos ir priežastinio ryšio išvadas, atsižvelgiant į tikslą

Koreliacija idealiai tinka tyrinėti ir stebėti ryšius ataskaitų suvestinėse, prioritetizuoti hipotezes ir aptikti modelius. Į prekybaLabai naudinga susieti pakartotinius apsilankymus su konversijomis arba nustatyti turinį, kuris keičiasi kartu su pirkimo dažnumu.

Kai tikslas yra priskirti poveikį konkrečiai intervencijai (kas nutinka, jei padidinu reklamos biudžetą), Jums reikia priežastinių metodųIdealiu atveju A/B testai atliekami atsitiktine tvarka; jei tai neįmanoma, naudojami kvazieksperimentiniai modeliai, tokie kaip atitikimas, netolydumas arba skirtumas skirtumuose.

Naudojant duomenis iš tokių įrankių kaip analizės rinkiniai ir reklamos platformos, įprasta griebtis modeliai su stebėjimo duomenimis pagrįsta aiškiomis prielaidomis. Kartais patikimiems priešingiems scenarijams sukurti naudojami validūs instrumentai arba sintetinė kontrolė.

Jei norite eksperimentuoti su atkartojamais pavyzdžiais, galite peržiūrėti saugyklas, kuriose rodoma pagrindiniai kodai, skirti žaisti su duomenimis skirtinguose scenarijuose, kaip pavyzdyje, pateiktame šioje nuorodoje: github.com/pichu2707/corr-causal-enae.

Praktiniai patarimai, kaip įvertinti įrodymus

Prieš priimdami sensacingą antraštę, paklauskite savęs: Ar egzistuoja atsitiktinumas, ar tik stebėjimas?Ar yra tinkama kontrolė, skirta pašalinti klaidą? Ar pogrupiai pasakoja tą patį, ar iškyla Simpsono paradoksas? Taip filtruojamas triukšmas.

Kai matote stebėjimo tyrimą su stipriuoju veiksmažodžiu, mintyse perfrazuokite jį sąlyginiu būdu: yra susijęs su ir gali sumažinti arba padidintiŠi maža lingvistinė disciplina vengia pernelyg didelių interpretacijų ir išlaiko mokslinį sąžiningumą.

Mintyse suskirstykite tyrimą: stebėjimo ar intervencinis. Stebėjimo tyrėjai atranda asociacijasEksperimentiniai tyrimai, jei atlikti gerai, leidžia daug tiksliau nustatyti priežastinį ryšį. Jie veikia kaip greitas filtras, padedantis išvengti klaidų.

Klinikinėje psichologijoje ir psichoterapijoje, kur egzistuoja ir sąveikauja daug veiksnių, komandos, turinčios patirties realiose situacijose Jie primena mums, kad priežastinio ryšio nustatymas reikalauja ypatingo atsargumo ir tinkamų planų, kad būtų išvengta painiavos tarp ryškių koreliacijų ir realaus terapinio poveikio.

Atidžiai išnagrinėjus duomenis, pasirinkus tinkamą įrankį klausimui ir atsargiai vartojant kalbą, galima pastebėti, kad du dalykai juda kartu, ir parodyti, kad vienas juda kitą. Naudokite koreliaciją hipotezėms tirti ir prioritetams nustatytiPriežastinius metodus pasilikite efektams priskirti ir sprendimams priimti; tokiu būdu kuo patikimiau pereisite nuo to, kas sąveikauja su kuo, prie to, kas ką sukelia.