Korelácia a kauzalita: rozdiely, príklady a ako sa vyhnúť chybám

Domov » Hospodárstvo » Korelácia a kauzalita: rozdiely, príklady a ako sa vyhnúť chybám

Verejná diskusia o dátach je plná koncepčných pascí a medzi nimi je jednou z najčastejších zámieňanie si faktu, že dve veci idú ruka v ruke, pričom jedna spôsobuje druhú. Jasne oddeľte koreláciu od kauzality Nie je to len štatistická technická detailnosť; je to praktická zručnosť, ako sa vyhnúť unáhleným rozhodnutiam v zdravotníctve, ekonomike, marketingu alebo... politológia.

V nasledujúcich riadkoch nájdete kompletného a príjemného sprievodcu, ako sa vyhnúť pádu do tejto pasce. Definujeme oba pojmy a pozrieme sa na ich základné rozdiely.Pozrieme sa na každodenné príklady, ktoré sú na prvý pohľad klamlivé, preskúmame metódy na odhaľovanie falošných vzťahov a zhodnotíme najrobustnejšie prístupy k odvodzovaniu kauzálnych dôsledkov, keď nemôžeme slobodne experimentovať.

Čo rozumieme pod pojmom korelácia a čo pod pojmom kauzalita?

Keď sa dve premenné pohybujú spoločne, zvyčajne hovoríme, že sú korelované: ak sa jedna zvyšuje, druhá má tendenciu sa zvyšovať alebo naopak. Korelácia je mierou asociácieKvantifikuje intenzitu a smer toho, čo ide ruka v ruke, ale nehovorí nám, prečo sa to deje.

Kauzalita je iný príbeh: znamená, že zmena jednej premennej spôsobí zmenu inej. Kauzálny vzťah je smerový. A vyžaduje si to mechanizmus, ktorý spája príčinu a následok. Existencia kauzality môže, ale nemusí viesť k pozorovateľnej korelácii v údajoch, v závislosti od toho, ako meriame a za akých podmienok.

Kľúčové rozdiely, ktoré si treba zapamätať

• Korelácia neznamená kauzalituMôže existovať súvislosť bez základnej kauzálnej súvislosti.
• Kauzalita naznačuje mechanizmusNemusí sa to však prejaviť ako korelácia, ak existujú kontroly alebo kompenzácie, ktoré tento vzorec maskujú.
• Korelácia je symetrická (A s B je to isté ako B s A), kauzalita nie je: to, že A spôsobuje B, neznamená, že B spôsobuje A.

Príklady, ktoré testujú intuíciu

Korelácia bez kauzality: pasca tretej premennej

Pri časových analýzach je typické pozorovať, že v horúcich mesiacoch sa zvyšuje predaj zmrzliny, ako aj počet utopení na pláži. Obe série sa pohybujú spolu kvôli spoločnému faktoru. (teplota a zvýšené využívanie pláže), nie preto, že zmrzlina spôsobuje utopenia alebo naopak. Toto je klasický príklad falošnej korelácie spôsobenej mätúcou premennou.

Niečo podobné sa stalo s mediálnym zistením o bábätkách, ktoré spali so zapnutým svetlom, a o ich vyššej pravdepodobnosti krátkozrakosti. Neskôr sa ukázalo, že krátkozrakosť rodičov Ovplyvnilo to tak používanie nočného svetla, ako aj, prostredníctvom dedičnosti, zrak detí. Opäť ide o tretiu premennú, ktorá vysvetľuje túto súvislosť.

Keď existuje príčina, ale korelácia mizne

Predstavte si termostat, ktorý udržiava v dome konštantnú teplotu ovládaním pece na palivo. Množstvo paliva spôsobuje teploKeďže však termostat vykonáva kompenzáciu, vnútorná teplota nemusí korelovať so spáleným palivom. V tomto meraní existuje kauzálna súvislosť bez pozorovateľnej korelácie.

Smer je dôležitý a niekedy ide naopak.

Často sa hovorí, že aktívny životný štýl chráni kognitívne funkcie u starších dospelých. Je však možná aj obrátená kauzalita.Tí, ktorí si zachovávajú lepšie kognitívne funkcie, majú tendenciu udržiavať aktívnejšie rutiny. Táto súvislosť však sama o sebe nevyrieši problém šípu času.

Simpsonov paradox

Tento paradox sa objavuje, keď sa trend prítomný v agregáte obráti po oddelení podskupinami. Bežným príkladom je liečba, ktorá sa javí ako účinnejšia pri vysokých dávkach. V celkových údajoch, ale pri rozdelení podľa pohlavia, je vzorec opačný, pretože rozdelenie dávok sa medzi skupinami líši. Porovnanie jabĺk a pomarančov maskuje realitu.

Ako odhaliť falošné vzťahy

Užitočným nástrojom je čiastočná korelácia: Meria súvislosť medzi dvoma premennými a zároveň kontroluje tretiu.Ak súvislosť medzi zmrzlinou a utopením zmizne pri kontrole teploty, viete, že vzťah bol falošný.

Ďalšou stratégiou je stratifikácia analýzy: rozdeliť podľa príslušných skupín (vek, pohlavie, región) alebo upraviť modely o mätúce premenné, izolovať účinky a vyhnúť sa zavádzajúcim záverom v dôsledku zmiešania populácií.

Základné metriky pre kvantifikáciu asociácie

Kovariancia označuje smer spoločnej zmeny dvoch premenných. Kladné, ak sa pohybujú rovnakým smerom, a záporné, ak sa pohybujú opačnými smermiHodnota blízka nule naznačuje absenciu lineárneho vzťahu. Jej rozsah závisí od jednotiek, takže nie je porovnateľný medzi rôznymi pármi; táto starostlivosť o metriky pripomína postupy... kontrola kvality.

Pearsonov koeficient normalizuje kovarianciu a pohybuje sa od -1 do 1. Slúži na kvantifikáciu sily lineárneho vzťahu medzi spojitými kvantitatívnymi premennými, kde 1 alebo -1 predstavuje dokonalý vzťah. Taktiež poskytuje p-hodnotu na testovanie, či pozorovanú súvislosť možno za určitých predpokladov pripísať náhode.

Spearman hodnotí asociáciu na základe hodností. Funguje to dobre, keď je vzťah monotónny, ale nie nevyhnutne lineárny.a je odolnejší voči odľahlým hodnotám. Okrem toho podporuje ordinálne premenné, čo Pearson nepodporuje.

Medzi ďalšie menej bežné možnosti patria Kendall pre porovnávanie poradia a biseriálny bod, keď Jedna premenná je dichotomická a druhá je intervalová.Výber správneho koeficientu zabráni nesprávnym interpretáciám.

Pokiaľ ide o slávnu p-hodnotu, je potrebné objasniť: Nie je to pravdepodobnosť, že hypotéza je pravdiváUkazuje, aké extrémne by boli pozorované údaje, ak by bol nulový model správny. Nízka p-hodnota naznačuje, že pozorovaná súvislosť pravdepodobne nie je spôsobená náhodou, ale sama o sebe nedokazuje kauzalitu.

Kedy použiť jednotlivé miery

Ak chcete vedieť, ktorým smerom sa dve premenné pohybujú bez toho, aby ste mali v úmysle porovnávať ich veľkosti, Kovariancia vám poskytne vodítkoNa meranie sily lineárneho vzťahu so spojitými premennými a bez veľkých odľahlých hodnôt je Pearsonova metóda prirodzenou voľbou.

Keď máte podozrenie, že vzťah je monotónny, ale nie lineárny, Existujú extrémne hodnoty alebo pracujete s ordinálnymi údajmi?Spearmanov koeficient korelácie poradia zvyčajne poskytuje spoľahlivejšie odpovede. A pamätajte: každá korelácia opisuje súvislosť, nie účinok.

Čo je kauzálny model a na čo sa používa?

Modelovanie štrukturálnych rovníc (SEM) umožňuje špecifikovať simultánne vzťahy medzi premennými s chybovými členmi a teoretickými obmedzeniami. Sú užitočné, keď má systém viacero kauzálnych ciest a latentných premenných.

Ako rigorózne vyvodzovať kauzálnu inferenciu

Základným kameňom sú randomizované kontrolované štúdie. Randomizácia náhodne priraďuje liečbu alebo kontroluvyvážením pozorovaných a nepozorovaných faktorov v priemere. Ak všetko ostatné zostane porovnateľné, rozdiel vo výsledkoch sa pripisuje liečbe.

Keď randomizácia nie je uskutočniteľná, objavujú sa kváziexperimentálne návrhy. Cieľom procesu porovnávania je porovnávať jablká s jablkami., porovnávanie liečených a kontrolných jednotiek na relevantných kovariátoch.

Diskontinuita v regresii využíva prahovú hodnotu: hraničný bod, ktorý priraďuje liečbuTí, ktorí sa nachádzajú tesne nad a pod prahovou hodnotou, sú si podobní, s výnimkou intervencie, ktorá umožňuje lokálne odhadnúť účinok.

Rozdiely v rozdieloch sa porovnávajú vývoj liečenej skupiny a kontrolnej skupiny Pred a po intervencii, za predpokladu paralelných trendov bez liečby. Je to účinný nástroj pri hodnotení politík.

Dáta z pozorovaní sa dajú využiť aj na pokrok kombináciou teórie a štatistiky a situačná analýza. Platné nástroje, syntetické kontroly alebo modely strojového učenia Pomáhajú odhadnúť účinky a vždy jasne stanoviť predpoklady. Analytické nástroje, ako sú reklamné platformy alebo balíky digitálnej analytiky, ilustrujú tento prístup historickými údajmi.

Korelácia vo veľkých dátach: príležitosti a úskalia

Skúmanie korelácií vo veľkých databázach odhaľuje cenné vzorce, ale Čím väčšie je more údajov, tým viac falošných sirén spievaObjavujú sa nápadné asociácie, ktoré sú výsledkom štatistických náhod, nie skutočných vzťahov.

Algoritmy objavujú zákonitosti, ale bez jasnej kauzálnej otázky a robustného dizajnu štúdiePravdepodobnosť zámeny šumu so signálom sa dramaticky zvyšuje. Preto hypotézy riadi korelácia; kauzalitu podporujú dobre navrhnuté štúdie.

Zodpovedný jazyk: varovné signály

Pri čítaní titulkov si dávajte pozor na kategorické slovesá ako znížiť, zvýšiť, spôsobiť alebo eliminovať, ak dôkazy pochádzajú z observačných štúdií. Je vhodné používať rozumné výrazy keďže je s tým spojené, mohlo by sa to zlepšiť, naznačuje vzťah.

Tiež má podozrenie kauzálne tvrdenia založené na jednoduchých pozorovaniachAsociácia neurčuje smer: môže byť opačný alebo spôsobený mätúcimi premennými. Opatrnosť v jazyku zabraňuje zlým rozhodnutiam.

Ilustratívnym príkladom bola správa, že konzumácia olivového oleja znižuje úmrtnosť. Pozorovacie dôkazy nachádzajú priaznivé súvislostiTo však nestačí na tvrdenie o kauzálnom účinku; je vhodnejšie povedať, že súvisí s nižšou úmrtnosťou alebo že by ju mohol znížiť, kým nebudú vykonané klinické skúšky.

Na druhej strane sa objavili titulky o hormonálnej liečbe, ktorá zrejme chráni srdce. Kontrolou socioekonomickej úrovne a životného štýlu Efekt sa vytratil a dokonca sa obrátil. Skryté premenné môžu spôsobiť veľa škody, ak nie sú kontrolované.

Každodenné príklady, ktoré sú klamlivé

Kohút spieva pred úsvitom a slnko vychádza každý deň, ale Spev slnko nevyvediePodobne ani umývanie auta nespôsobuje dážď, hoci sa to niekedy môže zdať len náhodou.

V zdraví, keď máte nádchu, vypijete citrónovú šťavu a po pár dňoch sa vám uzdraví. Prirodzený vývoj infekcieOdpočinok a iná starostlivosť vysvetľujú zlepšenie; nemôžeme ho pripísať len šťave.

Zmeny symptómov sa môžu pozorovať pri akejkoľvek liečbe. To nestačí na záver, že zmena je spôsobená liečbou.Môžu sa prejaviť vonkajšie faktory, pokles k priemeru alebo spontánne zlepšenia.

Tí, ktorí konzumujú menej ultraspracovaných potravín, majú tendenciu mať nižší výskyt rakoviny, ale Tento rozdiel môže odrážať zdravší životný štýl.Väčšia fyzická aktivita, lepší prístup k starostlivosti alebo socioekonomické rozdiely. Táto súvislosť nedokazuje kauzalitu.

Od korelácie k kauzalite s empirickými štúdiami

Známy prípad: viac fyzickej aktivity súvisí s menším výskytom kardiovaskulárnych ochorení. Korelácia otvára dvere hypotézamNapríklad cvičenie môže zvýšiť hladinu oxidu dusnatého a rozšíriť cievy, čím sa zníži krvný tlak. Kontrolovaný experiment potom môže tento mechanizmus zmerať a odhadnúť kauzálny účinok.

Ďalší naivný príklad: môžete zistiť, že viac cvičenia súvisí s vyšším výskytom rakoviny kože. Skutočnou častou príčinou by bolo vystavenie slnkučo zvyšuje aktivitu vonku aj riziko rakoviny kože. Bez experimentálneho dizajnu alebo dobrej kontroly mätúcich faktorov by bola kauzálna interpretácia chybná.

Regresia a kauzalita: čo funguje a čo nie

Regresia predpovedá jednu premennú z druhej za štatistických predpokladov. Ale ani korelácia, ani regresia nedokazujú kauzalitu. samy o sebe; kauzálny zmysel musí pochádzať z teórie, časovosti alebo zámeru.

Ak chcete hovoriť o kauzálnom efekte, potrebujete aspoň štatisticky významný vzťah a kritérium riadeniaBuď sa kauzálna premenná vyskytuje pred účinkom, alebo existuje solídne teoretické zdôvodnenie kauzálnej súvislosti. Bez časovej súvislosti alebo teórie existuje asociácia, nie kauzalita.

Príklad: preskúmať, či vek, v ktorom dieťa formuluje svoje prvé vety, súvisí s jeho následným akademickým úspechom. Najprv sa porovná asociáciaAk nejaký existuje, smer je z časového poradia jasný: školský úspech sa nemôže vrátiť v čase a zmeniť sa v čase, keď prvýkrát prehovoril.

A ak hľadáte nástroje na precvičovanie, existujú online kalkulačky a zdroje, ktoré Umožňujú vám spúšťať korelácie a regresie jednoduchým spôsobom; niektoré platformy ako numiqo uľahčujú tieto analýzy pre učiteľov, výskumníkov a odborníkov.

Ako si vybrať medzi koreláciou a kauzálnou inferenciou v závislosti od cieľa

Korelácia je ideálna na skúmanie a monitorovanie vzťahov na dashboardoch, uprednostňovať hypotézy a identifikovať vzory. V marketingVeľmi užitočné je prepojenie opakovaných návštev s konverziami alebo identifikácia obsahu, ktorý sa mení s frekvenciou nákupov.

Keď je cieľom pripísať vplyv konkrétnemu zásahu (čo sa stane, ak zvýšim rozpočet na reklamu), Potrebujete kauzálne metódyV ideálnom prípade A/B testy s náhodným priradením; ak to nie je možné, kváziexperimentálne návrhy, ako je párovanie, diskontinuita alebo rozdiel v rozdieloch.

Pri údajoch z nástrojov, ako sú analytické balíky a reklamné platformy, je bežné uchyľovať sa k modely s pozorovacími údajmi podložené jasnými predpokladmi. Niekedy sa na vytvorenie dôveryhodných hypotéz používajú platné nástroje alebo syntetická kontrola.

Ak máte záujem experimentovať s reprodukovateľnými príkladmi, môžete si pozrieť repozitáre, ktoré ukazujú základné kódy na prácu s dátami v rôznych scenároch, ako v príklade dostupnom na tomto odkaze: github.com/pichu2707/corr-causal-enae.

Praktické tipy na hodnotenie dôkazov

Predtým, ako sa pustíte do senzačného titulku, položte si otázku: Existuje randomizácia alebo len pozorovanie?Existujú primerané kontroly na zmätok? Rozprávajú podskupiny rovnaký príbeh, alebo vzniká Simpsonov paradox? Takto sa filtruje šum.

Keď uvidíte observačnú štúdiu so silným slovesom, v duchu ho preformulujte do podmienečného spôsobu: je spojená s a mohla by znížiť alebo zvýšiťTáto malá lingvistická disciplína sa vyhýba nadmerným interpretáciám a zachováva si vedeckú čestnosť.

Mentálne klasifikujte štúdiu: observačnú alebo intervenčnú. Observační výskumníci objavujú súvislostiExperimentálne štúdie, ak sú dobre vykonané, umožňujú oveľa väčšiu istotu pri určovaní kauzality. Fungujú ako rýchly filter, ktorý pomáha vyhnúť sa nástrahám.

V klinickej psychológii a psychoterapii, kde koexistuje a interaguje viacero faktorov, tímy so skúsenosťami v reálnych kontextoch Pripomínajú nám, že kauzálna inferencia si vyžaduje osobitnú opatrnosť a vhodné metódy, aby sa predišlo zámene výrazných korelácií so skutočnými terapeutickými účinkami.

Dôkladný pohľad na údaje, výber správneho nástroja pre danú otázku a opatrnosť pri používaní jazyka robia rozdiel medzi tým, či vidíme, že dve veci sa pohybujú spoločne, a či jedna hýbe druhou. Použitie korelácie na preskúmanie a uprednostnenie hypotézVyhraďte si kauzálne metódy na pripisovanie účinkov a rozhodovanie; týmto spôsobom sa s čo najväčšou spoľahlivosťou presuniete od toho, čo sa s čím pohybuje, k tomu, čo čo spôsobuje.