Korrelasjon og årsakssammenheng: forskjeller, eksempler og hvordan man unngår feil

innvielse » Økonomi » Korrelasjon og årsakssammenheng: forskjeller, eksempler og hvordan man unngår feil

Den offentlige samtalen om data er full av konseptuelle feller, og blant dem er det å forveksle det faktum at to ting går hånd i hånd, der den ene forårsaker den andre, en av de vanligste. Tydelig skille korrelasjon fra årsakssammenheng Det er ikke bare en statistisk teknikalitet; det er en praktisk ferdighet for å unngå forhastede beslutninger innen helse, økonomi, markedsføring eller statsvitenskap.

I de følgende linjene finner du en komplett og underholdende guide for å unngå å falle i den fellen. Vi vil definere begge konseptene og gjennomgå viktige forskjeller.Vi vil se på hverdagseksempler som er villedende ved første øyekast, utforske metoder for å avdekke falske sammenhenger, og gjennomgå de mest robuste tilnærmingene for å utlede årsakssammenhenger når vi ikke kan eksperimentere fritt.

Hva mener vi med korrelasjon og hva med kausalitet?

Når to variabler beveger seg sammen, sier vi vanligvis at de er korrelerte: hvis den ene øker, har den andre en tendens til å øke, eller omvendt. Korrelasjon er et mål på assosiasjonDen kvantifiserer intensiteten og retningen av det som går hånd i hånd, men den forteller oss ikke hvorfor det skjer.

Kausalitet er en annen historie: det innebærer at en endring i én variabel forårsaker en endring i en annen. En årsakssammenheng er retningsbestemt. Og det krever en mekanisme som forbinder årsak og virkning. Eksistensen av kausalitet kan resultere i observerbar korrelasjon i dataene, avhengig av hvordan vi måler og under hvilke forhold.

Viktige forskjeller verdt å huske på

• Korrelasjon innebærer ikke årsakssammenhengDet kan være en sammenheng uten en underliggende årsakssammenheng.
• Kausalitet innebærer en mekanismeDet kan imidlertid hende at det ikke manifesterer seg som en korrelasjon hvis det finnes kontroller eller kompensasjoner som maskerer mønsteret.
• Korrelasjonen er symmetrisk (A med B er det samme som B med A), kausalitet er ikke det: at A forårsaker B betyr ikke at B forårsaker A.

Eksempler som tester intuisjon

Korrelasjon uten årsakssammenheng: den tredje variabelfellen

I tidsanalyser er det typisk å observere at iskremsalget øker i varme måneder, og det samme gjør drukningsulykker på stranden. Begge seriene beveger seg sammen på grunn av en felles faktor. (temperaturen og den økte bruken av stranden), ikke fordi iskrem forårsaker drukningsulykker eller omvendt. Dette er et klassisk eksempel på falsk korrelasjon på grunn av en forstyrrende variabel.

Noe lignende skjedde med en mediefunn om babyer som sov med lyset på og deres større sannsynlighet for nærsynthet. Senere ble det sett at foreldrenes nærsynthet Det påvirket både bruken av nattlys og, gjennom arv, barnas syn. Igjen, en tredje variabel som forklarer sammenhengen.

Når det finnes en årsak, men korrelasjonen forsvinner

Tenk deg en termostat som holder huset på en konstant temperatur ved å styre en brenselfyrt ovn. Mengden drivstoff forårsaker varmeMen fordi termostaten kompenserer, kan det hende at innetemperaturen ikke korrelerer med drivstoffet som forbrennes. Det finnes en årsakssammenheng uten en observerbar korrelasjon i den målingen.

Retning er viktig, og noen ganger går det baklengs.

Det sies ofte at det å leve et aktivt liv beskytter kognitiv ytelse hos eldre voksne. Omvendt kausalitet er imidlertid mulig.De som beholder bedre kognitiv funksjon har en tendens til å opprettholde mer aktive rutiner. Denne sammenhengen alene løser imidlertid ikke tidens pil.

Simpsons paradoks

Dette paradokset oppstår når en trend som er tilstede i aggregert grupper, reverseres når den separeres av undergrupper. Et vanlig eksempel er en behandling som ser ut til å være mer effektiv ved høye doser. I de samlede dataene, men når de fordeles etter kjønn, er mønsteret reversert fordi dosefordelingen er forskjellig mellom gruppene. Å sammenligne epler og appelsiner maskerer virkeligheten.

Hvordan oppdage falske forhold

Et nyttig verktøy er partiell korrelasjon: Den måler sammenhengen mellom to variabler samtidig som den kontrollerer for en tredje.Hvis sammenhengen mellom iskrem og drukning forsvinner når man kontrollerer for temperatur, vet du at sammenhengen var falsk.

En annen strategi er å stratifisere analysen: del inn etter relevante grupper (alder, kjønn, region) eller justere for forvirrende variabler i modeller, for å isolere effekter og unngå misvisende konklusjoner på grunn av blandinger av populasjoner.

Grunnleggende målinger for kvantifisering av assosiasjon

Kovarians indikerer retningen på felles endring av to variabler. Positiv hvis de beveger seg i samme retning og negativ hvis de beveger seg i motsatte retningerEn verdi nær null antyder fravær av lineær sammenheng. Skalaen avhenger av enhetene, så den er ikke sammenlignbar mellom forskjellige par; denne omhuen med metrikker minner om praksis med kvalitetskontroll.

Pearsons koeffisient normaliserer kovariansen og varierer fra -1 til 1. Det tjener til å kvantifisere styrken til et lineært forhold mellom kontinuerlige kvantitative variabler, der 1 eller -1 representerer perfekte sammenhenger. Den gir også en p-verdi for å teste om den observerte assosiasjonen kan tilskrives tilfeldigheter under visse forutsetninger.

Spearman evaluerer foreningen basert på rangeringer. Det fungerer bra når forholdet er monotont, men ikke nødvendigvis lineært.og den er mer robust mot uteliggere. Videre støtter den ordinale variabler, noe Pearson ikke gjør.

Andre mindre vanlige alternativer inkluderer Kendall for rangeringsmatching og biserialpunktet når Den ene variabelen er dikotom og den andre er intervall.Å velge riktig koeffisient unngår feiltolkninger.

Når det gjelder den berømte p-verdien, er det verdt å avklare: Det er ikke sannsynligheten for at en hypotese er sannDet indikerer hvor ekstreme de observerte dataene ville vært hvis nullmodellen var korrekt. En lav p-verdi antyder at den observerte assosiasjonen sannsynligvis ikke skyldes tilfeldigheter, men det beviser ikke i seg selv årsakssammenheng.

Når man skal bruke hvert målepunkt

Hvis du vil vite i hvilken retning to variabler beveger seg uten å ha til hensikt å sammenligne størrelser, Kovarians gir deg en pekepinnFor å måle styrken til en lineær sammenheng med kontinuerlige variabler og uten store uteliggere, er Pearson det naturlige valget.

Når du mistenker at forholdet er monotont, men ikke lineært, Er det ekstremverdier, eller jobber du med ordinale data?Spearmans rangkorrelasjonskoeffisient har en tendens til å gi mer pålitelige svar. Og husk: hver korrelasjon beskriver en assosiasjon, ikke en effekt.

Hva er en kausal modell, og hva brukes den til?

Strukturell ligningsmodellering (SEM) tillater spesifiser samtidige forhold mellom variabler med feilledd og teoretiske begrensninger. De er nyttige når systemet har flere årsakssammenhenger og latente variabler.

Hvordan trekke kausal slutning nøyaktig

Prøvesteinen er randomiserte kontrollerte studier. Randomisering tildeler behandling eller kontroll tilfeldigved å balansere observerte og uobserverte faktorer i gjennomsnitt. Hvis alt annet forblir sammenlignbart, tilskrives forskjellen i resultater behandlingen.

Når randomisering ikke er mulig, dukker det opp kvasi-eksperimentelle design. Matchingsprosessen har som mål å sammenligne epler med epler., matching av behandlede og kontrollerte enheter på relevante kovariater.

Diskontinuiteten i regresjon utnytter en terskel: et grensepunkt som tildeler behandlingDe som faller rett over og under terskelen er like, bortsett fra intervensjonen, som gjør det mulig å estimere effekten lokalt.

Forskjellene i forskjeller sammenlignes utviklingen av en behandlet gruppe og en kontrollgruppe Før og etter intervensjonen, forutsatt parallelle trender i fravær av behandling. Det er et kraftig verktøy i evalueringer av politiske tiltak.

Observasjonsdata kan også brukes til å gjøre fremskritt ved å kombinere teori og statistikk, og situasjonsanalyse. Gyldige instrumenter, syntetiske kontroller eller ML-modeller De bidrar til å anslå effekter, og gjør alltid forutsetningene tydelige. Analyseverktøy som annonseplattformer eller digitale analysepakker illustrerer denne tilnærmingen med historiske data.

Korrelasjon i stordata: Muligheter og fallgruver

Å utforske korrelasjoner i store databaser avdekker verdifulle mønstre, men Jo større datahavet er, desto flere falske sirener synger.Slående assosiasjoner dukker opp som er et resultat av statistiske tilfeldigheter, ikke reelle sammenhenger.

Algoritmer oppdager regelmessigheter, men uten et klart årsaksspørsmål og et robust studiedesignSannsynligheten for å forveksle støy med signal øker dramatisk. Derfor styrer korrelasjon hypoteser; kausalitet støttes av godt utformede studier.

Ansvarlig språkbruk: varseltegn

Når du leser overskrifter, vær forsiktig med kategoriske verb som redusere, øke, forårsake eller eliminere hvis bevisene kommer fra observasjonsstudier. Det er lurt å bruke fornuftige uttrykk ettersom det er assosiert med, kan forbedres, antyder et forhold.

Han mistenker også årsakspåstander basert på enkle observasjonerEn assosiasjon bestemmer ikke retningen: den kan være motsatt eller skyldes forstyrrende variabler. Forsiktighet i språket forhindrer dårlige beslutninger.

Et illustrerende eksempel var budskapet om at olivenoljeforbruk reduserer dødeligheten. Observasjonsbevis finner gunstige assosiasjonerMen dette er ikke nok til å hevde en årsakssammenheng; det er mer passende å si at det er relatert til lavere dødelighet, eller at det kan redusere den, i påvente av studier.

På en annen side var det overskrifter om en hormonbehandling som så ut til å beskytte hjertet. Ved å kontrollere for sosioøkonomisk nivå og livsstil Effekten bleknet og reverserte til og med. Skjulte variabler kan forårsake mye skade hvis de ikke kontrolleres.

Hverdagseksempler som er villedende

Hanen galer før daggry og solen står opp hver dag, men Å synge får ikke solen til å skinnePå samme måte forårsaker ikke bilvask regn, selv om det noen ganger kan virke slik ved en ren tilfeldighet.

Når man er forkjølet, drikker man sitronsaft, og etter noen dager blir man bedre. Den naturlige utviklingen av infeksjonenHvile og annen pleie forklarer forbedringen; vi kan ikke bare tilskrive det juicen.

Endringer i symptomer kan observeres ved enhver behandling. Det er ikke nok til å konkludere med at endringen skyldes behandlingen.Eksterne faktorer, regresjon til gjennomsnittet eller spontane forbedringer kan spille inn.

De som spiser mindre ultraprosessert mat har en tendens til å ha lavere forekomst av kreft, men Denne forskjellen kan gjenspeile en sunnere livsstil.Mer fysisk aktivitet, bedre tilgang til behandling eller sosioøkonomiske forskjeller. Sammenhengen beviser ikke årsakssammenheng.

Fra korrelasjon til årsakssammenheng med empiriske studier

Et kjent tilfelle: mer fysisk aktivitet er korrelert med mindre hjerte- og karsykdommer. Korrelasjon åpner døren for hypoteserFor eksempel kan trening øke nitrogenoksidnivået og utvide blodårene, noe som reduserer blodtrykket. Et kontrollert eksperiment kan deretter måle denne mekanismen og estimere årsakseffekten.

Et annet naivt eksempel: du kan oppdage at mer trening er relatert til en høyere forekomst av hudkreft. Den virkelige vanlige årsaken ville være soleksponeringnoe som øker både utendørsaktivitet og risikoen for hudkreft. Uten eksperimentell design eller god kontroll over forstyrrende faktorer ville en årsakssammenhengende tolkning være feilaktig.

Regresjon og kausalitet: hva som fungerer og hva som ikke fungerer

En regresjon predikerer én variabel ut fra en annen under statistiske forutsetninger. Men verken korrelasjon eller regresjon beviser årsakssammenheng. av seg selv; den kausale sansen må komme fra teori, temporalitet eller design.

For å snakke om en årsakssammenheng trenger man i det minste en statistisk signifikant sammenheng, og et styringskriteriumEnten oppstår årsaksvariabelen før effekten, eller så finnes det en solid teoretisk begrunnelse for årsakssammenhengen. Uten temporalitet eller teori finnes det assosiasjon, ikke årsakssammenheng.

Eksempel: å undersøke om alderen et barn formulerer sine første setninger i har en sammenheng med barnets senere akademiske suksess. Først sammenlignes assosiasjonenHvis det finnes en, er retningen klar ut fra den tidsmessige ordenen: skolesuksess kan ikke gå tilbake i tid og endre seg når den først talte.

Og hvis du leter etter verktøy for å øve, finnes det kalkulatorer og ressurser på nettet som De lar deg kjøre korrelasjoner og regresjoner på en enkel måte; noen plattformer som numiqo tilrettelegger disse analysene for lærere, forskere og fagfolk.

Hvordan velge mellom korrelasjon og kausal inferens avhengig av målet

Korrelasjon er ideelt for å utforske og overvåke relasjoner på dashbord, prioritere hypoteser og oppdage mønstre. i markedsføringDet er svært nyttig å relatere gjentatte besøk til konverteringer eller identifisere innhold som beveger seg med kjøpsfrekvensen.

Når målet er å tilskrive effekt til et spesifikt tiltak (hva skjer hvis jeg øker reklamebudsjettet), Du trenger kausale metoderIdeelt sett brukes A/B-tester med tilfeldig tildeling; hvis dette ikke er mulig, brukes kvasieksperimentelle design som matching, diskontinuitet eller difference-in-differences.

Med data fra verktøy som analysepakker og annonseplattformer er det vanlig å ty til modeller med observasjonsdata støttet av klare antagelser. Noen ganger brukes gyldige instrumenter eller syntetisk kontroll for å konstruere troverdige kontrafaktiske utfall.

Hvis du er interessert i å eksperimentere med reproduserbare eksempler, kan du sjekke ut arkiver som viser Grunnleggende koder for å leke med data i ulike scenarier, som i eksemplet som er tilgjengelig på denne lenken: github.com/pichu2707/corr-causal-enae.

Praktiske tips for evaluering av bevis

Før du omfavner en sensasjonell overskrift, spør deg selv: Er det randomisering eller bare observasjon?Finnes det tilstrekkelige kontroller for konfundering? Forteller undergruppene den samme historien, eller oppstår et Simpson-paradoks? Slik filtrerer man ut støy.

Når du ser en observasjonsstudie med et sterkt verb, omformuler det mentalt i kondisjonalis: er forbundet med og kan redusere eller økeDenne lille språklige disiplinen unngår overfortolkninger og opprettholder vitenskapelig ærlighet.

Klassifiser studien mentalt: observasjonsbasert eller intervensjonell. Observasjonsforskere oppdager assosiasjonerEksperimentelle studier, hvis de er godt utført, gir mye større sikkerhet i å fastslå årsakssammenheng. De fungerer som et raskt filter for å unngå fallgruver.

I klinisk psykologi og psykoterapi, hvor flere faktorer sameksisterer og samhandler, team med erfaring fra virkelige sammenhenger De minner oss om at årsakssammenheng krever spesiell forsiktighet og passende design for å unngå å forveksle slående korrelasjoner med reelle terapeutiske effekter.

Å se nøye på dataene, velge riktig verktøy for spørsmålet og være forsiktig med språket utgjør forskjellen mellom å se at to ting beveger seg sammen og å demonstrere at den ene beveger den andre. Bruk korrelasjon til å utforske og prioritere hypoteserReserver kausale metoder for å tilskrive effekter og ta beslutninger; på denne måten vil du gå fra hva som beveger seg med hva til hva som forårsaker hva med størst mulig pålitelighet.