Korelācija un cēloņsakarība: atšķirības, piemēri un kā izvairīties no kļūdām

uzsākšana » Ekonomija » Korelācija un cēloņsakarība: atšķirības, piemēri un kā izvairīties no kļūdām

Publiskās diskusijas par datiem ir pilnas ar konceptuāliem slazdiem, un viens no visbiežāk sastopamajiem ir divu lietu savstarpējas sajaukšanas fakts, ka viena izraisa otru. Skaidri atdalīt korelāciju no cēloņsakarības Tā nav tikai statistikas tehniska nianse; tā ir praktiska prasme, lai izvairītos no pārsteidzīgiem lēmumiem veselības aprūpē, ekonomikā, mārketingā vai... politikas zinātne.

Turpmākajās rindās atradīsiet pilnīgu un patīkamu ceļvedi, lai neiekļūtu šajā slazdā. Mēs definēsim abus jēdzienus un pārskatīsim būtiskās atšķirības.Mēs aplūkosim ikdienas piemērus, kas no pirmā acu uzmetiena šķiet maldinoši, izpētīsim metodes viltus sakarību atmaskošanai un pārskatīsim visspēcīgākās pieejas cēloņsakarību noteikšanai, ja nevaram brīvi eksperimentēt.

Ko mēs saprotam ar korelāciju un ko ar cēloņsakarību?

Kad divi mainīgie pārvietojas kopā, mēs parasti sakām, ka tie ir korelēti: ja viens palielinās, otrs mēdz pieaugt vai otrādi. Korelācija ir asociācijas mērsTas kvantificē šīs ciešās mijiedarbības intensitāti un virzienu, bet nepasaka, kāpēc tā notiek.

Cēloņsakarība ir cits stāsts: tā nozīmē, ka viena mainīgā lieluma izmaiņas izraisa izmaiņas citā. Cēloņsakarība ir virziena. Un tam ir nepieciešams mehānisms, kas savieno cēloni un sekas. Cēloņsakarības esamība var izraisīt vai neizraisīt novērojamu korelāciju datos atkarībā no tā, kā mēs to mērām un kādos apstākļos.

Galvenās atšķirības, kas ir vērts atcerēties

• Korelācija nenozīmē cēloņsakarībuVar pastāvēt saistība bez pamatā esošas cēloņsakarības.
• Cēloņsakarība nozīmē mehānismuTomēr tā var neizpausties kā korelācija, ja pastāv kontroles vai kompensācijas, kas maskē modeli.
• Korelācija ir simetriska (A ar B ir tas pats, kas B ar A), cēloņsakarība tāda nav: tas, ka A izraisa B, nenozīmē, ka B izraisa A.

Intuīcijas pārbaudes piemēri

Korelācija bez cēloņsakarības: trešais mainīgais slazds

Laika analīzēs ir raksturīgi novērot, ka karstajos mēnešos palielinās saldējuma pārdošanas apjomi un līdz ar to arī slīkšanas gadījumu skaits pludmalē. Abas sērijas pārvietojas kopā kopīga faktora dēļ. (temperatūra un pastiprināta pludmales izmantošana), nevis tāpēc, ka saldējums izraisa slīkšanu vai otrādi. Šis ir klasisks viltus korelācijas piemērs traucējoša mainīgā dēļ.

Kaut kas līdzīgs notika ar plašsaziņas līdzekļu atklājumu par zīdaiņiem, kuri gulēja ar ieslēgtu gaismu, un viņu lielāku tuvredzības iespējamību. Vēlāk tika novērota vecāku tuvredzība. Tas ietekmēja gan nakts gaismas izmantošanu, gan, caur iedzimtību, bērnu redzi. Atkal trešais mainīgais, kas izskaidro saistību.

Kad ir cēlonis, bet korelācija izzūd

Iedomājieties termostatu, kas uztur mājā nemainīgu temperatūru, kontrolējot ar degvielu darbināmu krāsni. Degvielas daudzums rada siltumuTomēr, tā kā termostats kompensē, iekšējā temperatūra var nekorelēt ar sadedzināto degvielu. Pastāv cēloņsakarība bez novērojamas korelācijas šajā mērījumā.

Virziens ir svarīgs, un dažreiz tas ved atpakaļgaitā.

Bieži tiek teikts, ka aktīva dzīvesveida vadīšana aizsargā kognitīvās spējas gados vecākiem pieaugušajiem. Tomēr ir iespējama apgriezta cēloņsakarība.Tie, kuriem ir labākas kognitīvās funkcijas, mēdz uzturēt aktīvāku ikdienas rutīnu. Tomēr šī saistība vien neatrisina laika gaitas problēmu.

Simpsona paradokss

Šis paradokss rodas, ja agregātā esošā tendence tiek apgriezta, atdalot to apakšgrupās. Bieži sastopams piemērs ir ārstēšana, kas šķiet efektīvāka lielās devās. Kopējos datos, bet sadalot tos pa dzimumiem, modelis ir pretējs, jo devu sadalījums starp grupām atšķiras. Ābolu un apelsīnu salīdzināšana maskē realitāti.

Kā atpazīt viltus attiecības

Noderīgs rīks ir daļēja korelācija: Tas mēra saistību starp diviem mainīgajiem, vienlaikus kontrolējot trešo.Ja, kontrolējot temperatūru, saikne starp saldējumu un slīkšanu izzūd, jūs zināt, ka saistība bija fiktīva.

Vēl viena stratēģija ir analīzes stratifikācija: sadalīt pa atbilstošām grupām (vecums, dzimums, reģions) vai pielāgot modeļu traucējošos mainīgos, lai izolētu ietekmi un izvairītos no maldinošiem secinājumiem populāciju sajaukuma dēļ.

Asociācijas kvantitatīvās noteikšanas pamatmetrika

Kovariācija norāda divu mainīgo lielumu kopīgās izmaiņas virzienu. Pozitīvi, ja tie pārvietojas vienā virzienā, un negatīvi, ja tie pārvietojas pretējos virzienos.Vērtība, kas tuva nullei, norāda uz lineāras sakarības neesamību. Tās mērogs ir atkarīgs no vienībām, tāpēc to nevar salīdzināt starp dažādiem pāriem; šī rūpība par metriku izmantošanu atgādina praksi, kas saistīta ar kvalitātes kontrole.

Pīrsona koeficients normalizē kovariāciju un ir robežās no -1 līdz 1. Tas kalpo lineāras attiecības stipruma kvantitatīvai noteikšanai. starp nepārtrauktiem kvantitatīviem mainīgajiem, kur 1 vai -1 apzīmē pilnīgas attiecības. Tas arī nodrošina p-vērtību, lai pārbaudītu, vai novēroto saistību var attiecināt uz nejaušību saskaņā ar noteiktiem pieņēmumiem.

Spīrmens novērtē asociāciju, pamatojoties uz rangiem. Tas darbojas labi, ja attiecības ir monotoniskas, bet ne obligāti lineāras.un tā ir izturīgāka pret novirzēm. Turklāt tā atbalsta kārtas mainīgos, ko Pīrsons neatbalsta.

Citas retāk sastopamas iespējas ir Kendall ranžēšanas salīdzināšanai un biserial punkts, kad Viens mainīgais ir dihotomisks, bet otrs ir intervāls.Pareiza koeficienta izvēle ļauj izvairīties no nepareizas interpretācijas.

Attiecībā uz slaveno p-vērtību ir vērts precizēt: Tā nav varbūtība, ka hipotēze ir patiesaTas norāda, cik galēji būtu novērotie dati, ja nulles modelis būtu pareizs. Zema p-vērtība liecina, ka novērotā saistība, visticamāk, nav nejauša, taču tā pati par sevi nepierāda cēloņsakarību.

Kad lietot katru mērvienību

Ja vēlaties zināt, kurā virzienā mainās divi mainīgie lielumi, neplānojot salīdzināt to lielumus, Kovariācija sniedz jums pavedienuLai mērītu lineāras sakarības stiprumu ar nepārtrauktiem mainīgajiem un bez lieliem novirzēm, Pīrsona metode ir dabiska izvēle.

Kad jums ir aizdomas, ka attiecības ir monotonas, bet ne lineāras, Vai pastāv ekstremālas vērtības vai arī jūs strādājat ar kārtas datiem?Spīrmena rangu korelācijas koeficients parasti sniedz ticamākas atbildes. Un atcerieties: katra korelācija apraksta saistību, nevis efektu.

Kas ir cēloņsakarību modelis un kam tas tiek izmantots?

Strukturālo vienādojumu modelēšana (SEM) ļauj norādiet vienlaicīgas attiecības starp mainīgajiem ar kļūdas terminiem un teorētiskiem ierobežojumiem. Tie ir noderīgi, ja sistēmai ir vairāki cēloņsakarību ceļi un latentie mainīgie.

Kā precīzi izdarīt cēloņsakarību secinājumus

Pētījuma kritērijs ir randomizēti kontrolēti pētījumi. Randomizācija piešķir ārstēšanu vai kontroli nejaušividēji līdzsvarojot novērotos un nenovērotos faktorus. Ja viss pārējais paliek salīdzināms, rezultātu atšķirība tiek attiecināta uz apstrādi.

Ja nejaušināšana nav iespējama, rodas kvazieksperimentāli modeļi. Saskaņošanas procesa mērķis ir salīdzināt ābolus ar āboliem., saskaņojot apstrādātās un kontroles vienības attiecīgajos kovariātos.

Regresijas pārtraukums izmanto slieksni: robežvērtība, kas nosaka ārstēšanuTie, kas atrodas tieši virs un zem sliekšņa, ir līdzīgi, izņemot intervenci, kas ļauj novērtēt efektu lokāli.

Atšķirības atšķirībās salīdzina Apstrādātās grupas un kontroles grupas evolūcija Pirms un pēc intervences, pieņemot paralēlas tendences bez ārstēšanas. Tas ir spēcīgs instruments politikas novērtēšanā.

Novērojumu datus var izmantot arī, lai attīstītu teoriju un statistiku, un situācijas analīze. Derīgi instrumenti, sintētiskās kontroles vai mašīnmācīšanās modeļi Tie palīdz aptuveni novērtēt efektus, vienmēr skaidri norādot pieņēmumus. Analītikas rīki, piemēram, reklāmu platformas vai digitālās analīzes komplekti, ilustrē šo pieeju ar vēsturiskiem datiem.

Korelācija lielos datos: iespējas un trūkumi

Korelāciju izpēte lielās datubāzēs atklāj vērtīgus modeļus, taču Jo lielāka datu jūra, jo viltīgākas sirēnas dzied.Parādās pārsteidzošas asociācijas, kas ir statistisku sakritību, nevis reālu attiecību rezultāts.

Algoritmi atklāj likumsakarības, bet bez skaidra cēloņsakarības jautājuma un stabila pētījuma dizainaVarbūtība, ka troksni noturēs par signālu, ievērojami palielinās. Tāpēc korelācija vada hipotēzes; cēloņsakarību apstiprina labi izstrādāti pētījumi.

Atbildīga valoda: brīdinājuma zīmes

Lasot virsrakstus, esiet piesardzīgs attiecībā uz kategoriskiem darbības vārdiem, piemēram, “samazināt”, “palielināt”, “izraisīt” vai “likvidēt”, ja pierādījumi ir iegūti novērojumu pētījumos. Ieteicams lietot apdomīgus izteicienus jo tas ir saistīts ar, varētu uzlabot, liecina par attiecībām.

Viņš arī aizdomājas cēloņsakarību apgalvojumi, kuru pamatā ir vienkārši novērojumiAsociācija nenosaka virzienu: tas var būt pretējs vai saistīts ar traucējošiem mainīgajiem. Piesardzība valodas lietošanā novērš sliktus lēmumus.

Ilustratīvs piemērs bija vēstījums, ka olīveļļas patēriņš samazina mirstību. Novērojumu pierādījumi atklāj labvēlīgas asociācijasTaču ar to nepietiek, lai apgalvotu cēloņsakarību; pareizāk ir teikt, ka tas ir saistīts ar zemāku mirstību vai ka tas varētu to samazināt, gaidot izmēģinājumus.

Citā piezīmē bija virsraksti par hormonālu ārstēšanu, kas, šķiet, aizsargāja sirdi. Kontrolējot sociālekonomisko līmeni un dzīvesveidu Efekts izzuda un pat mainījās. Slēptie mainīgie var nodarīt lielu kaitējumu, ja tie netiek kontrolēti.

Ikdienas piemēri, kas ir maldinoši

Gailis dzied pirms rītausmas un saule uzlec katru dienu, bet Dziedāšana neliek saulei izlēktLīdzīgi, automašīnas mazgāšana neizraisa lietu, lai gan dažreiz tas var šķist tikai sakritības dēļ.

Veselības ziņā, kad ir saaukstēšanās, dzer citronu sulu, un pēc dažām dienām kļūst labāk. Infekcijas dabiskā attīstībaAtpūta un citas rūpes izskaidro uzlabojumus; mēs nevaram to vienkārši piedēvēt sulai.

Simptomu izmaiņas var novērot jebkuras ārstēšanas laikā. Ar to nepietiek, lai secinātu, ka izmaiņas ir saistītas ar ārstēšanu.Var būt nozīme ārējiem faktoriem, regresija uz vidējo rādītāju vai spontāniem uzlabojumiem.

Tiem, kas patērē mazāk īpaši pārstrādātu pārtikas produktu, ir tendence uz zemāku vēža sastopamības biežumu, bet... Šī atšķirība varētu liecināt par veselīgāku dzīvesveidu.Lielāka fiziskā aktivitāte, labāka piekļuve aprūpei vai sociālekonomiskās atšķirības. Saistība nepierāda cēloņsakarību.

No korelācijas līdz cēloņsakarībai ar empīriskiem pētījumiem

Slavens gadījums: lielāka fiziskā aktivitāte ir saistīta ar mazāku sirds un asinsvadu slimību skaitu. Korelācija paver durvis hipotēzēmPiemēram, fiziskās aktivitātes var palielināt slāpekļa oksīda līmeni un paplašināt asinsvadus, tādējādi samazinot asinsspiedienu. Kontrolētā eksperimentā var izmērīt šo mehānismu un novērtēt cēloņsakarību.

Vēl viens naivs piemērs: jūs varētu atklāt, ka lielāka fiziskā slodze ir saistīta ar lielāku ādas vēža sastopamību. Patiesais, bieži sastopamais iemesls būtu saules iedarbībakas palielina gan aktivitātes brīvā dabā, gan ādas vēža risku. Bez eksperimentāla dizaina vai labas traucējošo faktoru kontroles cēloņsakarību interpretācija būtu kļūdaina.

Regresija un cēloņsakarība: kas darbojas un kas ne

Regresija paredz vienu mainīgo no cita, izmantojot statistiskus pieņēmumus. Bet ne korelācija, ne regresija nepierāda cēloņsakarību. paši par sevi; cēloņsakarībai jārodas no teorijas, temporalitātes vai dizaina.

Lai runātu par cēloņsakarību, ir nepieciešama vismaz statistiski nozīmīga saistība un vadības kritērijsVai nu cēloņsakarības mainīgais rodas pirms sekas, vai arī cēloņsakarībai ir stabils teorētisks pamatojums. Bez temporālisma vai teorijas pastāv saistība, nevis cēloņsakarība.

Piemērs: izpētīt, vai vecums, kurā bērns formulē savus pirmos teikumus, ir saistīts ar viņa turpmākajiem akadēmiskajiem panākumiem. Vispirms tiek salīdzināta asociācijaJa tāds ir, virziens ir skaidrs no laika secības: panākumi skolā nevar atgriezties pagātnē un mainīties no brīža, kad tie pirmo reizi izpaudās.

Un, ja meklējat rīkus praktizēšanai, ir pieejami tiešsaistes kalkulatori un resursi, kas Tie ļauj veikt korelācijas un regresijas vienkāršā veidā; dažas platformas, piemēram, numiqo, atvieglo šo analīzi skolotājiem, pētniekiem un profesionāļiem.

Kā izvēlēties starp korelāciju un cēloņsakarību atkarībā no mērķa

Korelācija ir ideāli piemērota attiecību izpētei un uzraudzībai informācijas paneļos, Prioritizēt hipotēzes un atklāt modeļus. uz mārketingsAtkārtotu apmeklējumu saistīšana ar konversijām vai tāda satura identificēšana, kas mainās līdz ar pirkumu biežumu, ir ļoti noderīga.

Kad mērķis ir attiecināt ietekmi uz konkrētu intervenci (kas notiek, ja es palielinu reklāmas budžetu), Jums ir nepieciešamas cēloņsakarību metodesIdeālā gadījumā A/B testi ar nejaušu piešķiršanu; ja tas nav iespējams, kvazieksperimentāli modeļi, piemēram, saskaņošana, pārtraukums vai atšķirība atšķirībās.

Izmantojot datus no tādiem rīkiem kā analītikas komplekti un reklāmas platformas, ir ierasts izmantot modeļi ar novērojumu datiem balstās uz skaidriem pieņēmumiem. Dažreiz ticamu hipotētisko scenāriju konstruēšanai tiek izmantoti derīgi instrumenti vai sintētiskā kontrole.

Ja jūs interesē eksperimentēt ar reproducējamiem piemēriem, varat apskatīt repozitorijus, kas parāda pamata kodi spēlēšanai ar datiem dažādos scenārijos, kā šajā saitē pieejamajā piemērā: github.com/pichu2707/corr-causal-enae.

Praktiski padomi pierādījumu izvērtēšanai

Pirms pieņemt sensacionālu virsrakstu, pajautājiet sev: Vai pastāv nejaušība vai tikai novērošana?Vai ir pietiekami daudz kontroles mehānismu, lai novērstu traucējošos faktorus? Vai apakšgrupas stāsta vienu un to pašu, vai arī rodas Simpsona paradokss? Tādā veidā jūs filtrējat troksni.

Kad redzat novērojumu pētījumu ar spēcīgu darbības vārdu, garīgi pārfrāzējiet to nosacījuma formā: ir saistīts ar un varētu samazināt vai palielinātŠī mazā lingvistikas disciplīna izvairās no pārspīlētām interpretācijām un saglabā zinātnisko godīgumu.

Garīgi klasificējiet pētījumu: novērošanas vai intervences. Novērojumu pētnieki atklāj asociācijasEksperimentāli pētījumi, ja tie ir labi veikti, ļauj daudz drošāk noteikt cēloņsakarību. Tie darbojas kā ātrs filtrs, lai izvairītos no kļūmēm.

Klīniskajā psiholoģijā un psihoterapijā, kur pastāv vairāki faktori un tie mijiedarbojas, komandas ar pieredzi reālās pasaules situācijās Viņi mums atgādina, ka cēloņsakarību secinājumiem nepieciešama īpaša piesardzība un atbilstoši plāni, lai izvairītos no pārsteidzošu korelāciju mulsināšanas ar reālu terapeitisku iedarbību.

Rūpīga datu izpēte, pareizā rīka izvēle jautājumam un uzmanīga valodas lietošana rada atšķirību starp divu lietu kustības saskatīšanu un vienas lietas kustības pierādīšanu otrai. Izmantojiet korelāciju, lai izpētītu un noteiktu prioritātes hipotēzēmRezervējiet cēloņsakarību metodes efektu attiecināšanai un lēmumu pieņemšanai; tādā veidā jūs ar vislielāko iespējamo ticamību pāriesiet no tā, kas pārvietojas līdz ar ko, uz to, kas ko izraisa.