Korrelacioni dhe shkakësia: ndryshimet, shembujt dhe si të shmangen gabimet

fillim » Ekonomi » Korrelacioni dhe shkakësia: ndryshimet, shembujt dhe si të shmangen gabimet

Biseda publike rreth të dhënave është plot me kurthe konceptuale, dhe midis tyre, ngatërrimi i faktit se dy gjëra shkojnë krah për krah me njërën që shkakton tjetrën është një nga më të shpeshtat. Ndani qartë korrelacionin nga shkakësia Nuk është thjesht një teknikalitet statistikor; është një aftësi praktike për të shmangur vendime të nxituara në shëndetësi, ekonomi, marketing ose... shkencë politike.

Në rreshtat e mëposhtëm do të gjeni një udhëzues të plotë dhe të këndshëm për të shmangur rënien në atë kurth. Ne do t'i përkufizojmë të dy konceptet dhe do të shqyrtojmë ndryshimet thelbësore.Do të shqyrtojmë shembuj të përditshëm që në shikim të parë janë mashtrues, do të shqyrtojmë metodat për demaskimin e marrëdhënieve të rreme dhe do të shqyrtojmë qasjet më të fuqishme për të nxjerrë në pah efektet shkakësore kur nuk mund të eksperimentojmë lirisht.

Çfarë nënkuptojmë me korrelacion dhe çfarë me kauzalitet?

Kur dy variabla lëvizin së bashku, zakonisht themi se ato janë të korreluara: nëse njëra rritet, tjetra tenton të rritet ose anasjelltas. Korrelacioni është një masë e shoqërimitAi përcakton intensitetin dhe drejtimin e kësaj bashkëveprimi, por nuk na tregon pse ndodh.

Kauzaliteti është një histori tjetër: ai nënkupton që një ndryshim në një ndryshore shkakton një ndryshim në një tjetër. Një marrëdhënie shkakësore është e drejtuar. Dhe kjo kërkon një mekanizëm që lidh shkakun dhe pasojën. Ekzistenca e shkakësisë mund të rezultojë ose jo në një korrelacion të vëzhgueshëm në të dhëna, varësisht nga mënyra se si i matim dhe në çfarë kushtesh.

Dallimet kryesore që ia vlen të kujtohen

• Korrelacioni nuk nënkupton shkakësiMund të ketë një lidhje pa një lidhje shkakësore themelore.
• Kauzaliteti nënkupton një mekanizëmMegjithatë, mund të mos shfaqet si korrelacion nëse ka kontrolle ose kompensime që maskojnë modelin.
• Korrelacioni është simetrik (A me B është e njëjtë me B me A), shkakësia nuk është: që A shkakton B nuk do të thotë që B shkakton A.

Shembuj që testojnë intuitën

Korrelacioni pa shkakësi: kurthi i variablit të tretë

Në analizat kohore është tipike të vërehet se në muajt e nxehtë shitjet e akullores rriten dhe kështu rriten edhe mbytjet në plazh. Të dy seritë lëvizin së bashku për shkak të një faktori të përbashkët. (temperatura dhe përdorimi në rritje i plazhit), jo sepse akullorja shkakton mbytje ose anasjelltas. Ky është një shembull klasik i korrelacionit të rremë për shkak të një variabli ngatërrues.

Diçka e ngjashme ndodhi me një zbulim mediatik në lidhje me foshnjat që flinin me dritë ndezur dhe gjasat e tyre më të mëdha për miopi. Më vonë u pa se miopia e prindërve Kjo ndikoi si në përdorimin e dritës së natës ashtu edhe, nëpërmjet trashëgimisë, në shikimin e fëmijëve. Përsëri, një ndryshore e tretë që shpjegon lidhjen.

Kur ekziston një shkak, por korrelacioni zhduket

Imagjinoni një termostat që e mban shtëpinë në një temperaturë konstante duke kontrolluar një furrë me karburant. Sasia e karburantit shkakton nxehtësiMegjithatë, për shkak se termostati kompenson, temperatura e brendshme mund të mos korrespondojë me karburantin e djegur. Ekziston një marrëdhënie shkakësore pa një korrelacion të vëzhgueshëm në atë matje.

Drejtimi ka rëndësi, dhe ndonjëherë shkon prapa.

Shpesh thuhet se një jetë aktive mbron performancën njohëse tek të rriturit e moshuar. Megjithatë, kauzaliteti i kundërt është i mundur.Ata që ruajnë funksion më të mirë njohës kanë tendencë të mbajnë rutina më aktive. Megjithatë, vetëm kjo lidhje nuk e zgjidh problemin e shigjetës së kohës.

Paradoksi i Simpsonit

Ky paradoks shfaqet kur një trend i pranishëm në agregat përmbyset kur ndahet nga nëngrupet. Një shembull i zakonshëm është një trajtim që duket më efektiv në doza të larta. Në të dhënat e përgjithshme, por kur ndahen sipas gjinisë, modeli është i përmbysur sepse shpërndarja e dozës ndryshon midis grupeve. Krahasimi i mollëve dhe portokalleve maskon realitetin.

Si të dalloni marrëdhëniet e rreme

Një mjet i dobishëm është korrelacioni i pjesshëm: Ai mat lidhjen midis dy variablave ndërsa kontrollon një të tretë.Nëse lidhja midis akullores dhe mbytjes zhduket kur kontrollohet temperatura, e dini që marrëdhënia ishte e rreme.

Një strategji tjetër është stratifikimi i analizës: ndani sipas grupeve përkatëse (mosha, gjinia, rajoni) ose përshtatni variablat ngatërruese në modele, për të izoluar efektet dhe për të shmangur përfundimet mashtruese për shkak të përzierjeve të popullatave.

Metrikat bazë për përcaktimin sasior të shoqërimit

Kovarianca tregon drejtimin e ndryshimit të përbashkët të dy variablave. Pozitive nëse lëvizin në të njëjtin drejtim dhe negative nëse lëvizin në drejtime të kundërtaNjë vlerë afër zeros sugjeron mungesë të një marrëdhënieje lineare. Shkalla e saj varet nga njësitë, kështu që nuk është e krahasueshme midis çifteve të ndryshme; ky kujdes me metrikat të kujton praktikat e kontrollin e cilësisë.

Koeficienti i Pearsonit normalizon kovariancën dhe varion nga -1 në 1. Shërben për të përcaktuar sasinë e forcës së një marrëdhënieje lineare midis variablave sasiore të vazhdueshme, ku 1 ose -1 përfaqëson marrëdhënie të përsosura. Gjithashtu ofron një vlerë p për të testuar nëse lidhja e vëzhguar mund t'i atribuohet rastësisë sipas supozimeve të caktuara.

Spearman vlerëson shoqatën bazuar në renditje. Funksionon mirë kur marrëdhënia është monotone, por jo domosdoshmërisht lineare.dhe është më i qëndrueshëm ndaj vlerave të jashtëzakonshme. Për më tepër, mbështet variablat ordinale, diçka që Pearson nuk e bën.

Opsione të tjera më pak të zakonshme përfshijnë Kendall për përputhjen e renditjes dhe pikën biseriale kur Njëra variabël është dikotomike dhe tjetra është intervali.Zgjedhja e koeficientit të saktë shmang keqinterpretimet.

Lidhur me vlerën e famshme p, ia vlen të sqarohet: Nuk është probabiliteti që një hipotezë të jetë e vërtetëTregon se sa ekstreme do të ishin të dhënat e vëzhguara nëse modeli zero do të ishte i saktë. Një vlerë e ulët p sugjeron që lidhja e vëzhguar nuk ka gjasa të jetë për shkak të rastësisë, por kjo, në vetvete, nuk vërteton shkakësinë.

Kur të përdoret secila masë

Nëse doni të dini në cilin drejtim lëvizin dy variabla pa pasur ndërmend të krahasoni madhësitë, Kovarianca ju jep një të dhënëPër të matur forcën e një marrëdhënieje lineare me variabla të vazhdueshme dhe pa vlera të jashtëzakonshme, metoda Pearson është zgjedhja natyrale.

Kur dyshoni se marrëdhënia është monotone, por jo lineare, A ka vlera ekstreme apo po punoni me të dhëna rendore?Koeficienti i korrelacionit të rangut të Spearman-it tenton të ofrojë përgjigje më të besueshme. Dhe mos harroni: çdo korrelacion përshkruan një lidhje, jo një efekt.

Çfarë është një model kauzal dhe për çfarë përdoret?

Modelimi i ekuacionit strukturor (SEM) lejon specifikoni marrëdhënie të njëkohshme midis variablave me terma gabimi dhe kufizime teorike. Ato janë të dobishme kur sistemi ka shtigje të shumëfishta shkakësore dhe variabla latente.

Si të bëjmë përfundime shkakësore në mënyrë rigoroze

Gurthemeli janë provat e kontrolluara të rastësishme. Randomizimi cakton trajtimin ose kontrollin rastësishtduke balancuar mesatarisht faktorët e vëzhguar dhe të pavëzhguar. Nëse gjithçka tjetër mbetet e krahasueshme, ndryshimi në rezultate i atribuohet trajtimit.

Kur randomizimi nuk është i realizueshëm, shfaqen dizajne kuazi-eksperimentale. Procesi i përputhjes synon të krahasojë mollë me mollë., duke përputhur njësitë e trajtuara dhe të kontrollit në kovariablat përkatëse.

Diskontinuiteti në regresion shfrytëzon një prag: një pikë ndarëse që cakton trajtiminAta që bien pak mbi dhe nën prag janë të ngjashëm, përveç ndërhyrjes, e cila lejon që efekti të vlerësohet në nivel lokal.

Dallimet në dallime krahasohen evolucioni i një grupi të trajtuar dhe një grupi kontrolli Para dhe pas ndërhyrjes, duke supozuar trende paralele në mungesë të trajtimit. Është një mjet i fuqishëm në vlerësimet e politikave.

Të dhënat vëzhguese mund të përdoren gjithashtu për të avancuar duke kombinuar teorinë dhe statistikat. analizë situative. Instrumente të vlefshme, kontrolle sintetike ose modele ML Ato ndihmojnë në përafrimin e efekteve, duke i bërë gjithmonë të qarta supozimet. Mjetet analitike, të tilla si platformat e reklamave ose paketat e analizave dixhitale, e ilustrojnë këtë qasje me të dhëna historike.

Korrelacioni në të Dhënat e Mëdha: Mundësitë dhe Grackat

Eksplorimi i korrelacioneve në baza të dhënash të mëdha zbulon modele të vlefshme, por Sa më i madh deti i të dhënave, aq më shumë sirena të rreme këndojnëDuket se shfaqen shoqata të habitshme që janë rezultat i rastësive statistikore, jo i marrëdhënieve reale.

Algoritmet zbulojnë rregullsi, por pa një pyetje të qartë shkakësore dhe një dizajn të fuqishëm studimiProbabiliteti i ngatërrimit të zhurmës me sinjalin rritet ndjeshëm. Prandaj, korrelacioni udhëzon hipotezat; shkakësia mbështetet nga studime të hartuara mirë.

Gjuhë e përgjegjshme: shenja paralajmëruese

Kur lexoni titujt, kini kujdes nga foljet kategorike si zvogëloj, rrit, shkaktoj ose eliminoj nëse provat vijnë nga studime vëzhguese. Është e këshillueshme të përdorni shprehje të matura siç shoqërohet, mund të përmirësohet, sugjeron një marrëdhënie.

Ai dyshon gjithashtu pretendime shkakësore të bazuara në vëzhgime të thjeshtaNjë shoqatë nuk përcakton drejtimin: mund të jetë e kundërta ose për shkak të variablave ngatërruese. Kujdesi në gjuhë parandalon vendimet e këqija.

Një shembull ilustrues ishte mesazhi se konsumi i vajit të ullirit zvogëlon vdekshmërinë. Provat vëzhguese gjejnë shoqata të favorshmePor kjo nuk mjafton për të pohuar një efekt shkakor; është më e përshtatshme të thuhet se lidhet me vdekshmëri më të ulët, ose se mund ta ulë atë, në pritje të provave.

Nga ana tjetër, pati tituj kryesorë në media rreth një trajtimi hormonal që dukej se mbronte zemrën. Duke kontrolluar nivelin socioekonomik dhe stilin e jetës Efekti u zbeh dhe madje u përmbys. Variablat e fshehura mund të shkaktojnë shumë dëme nëse nuk kontrollohen.

Shembuj të përditshëm që janë mashtrues

Gjeli këndon para agimit dhe dielli lind çdo ditë, por Kënga nuk e bën diellin të dalëNë mënyrë të ngjashme, larja e makinës nuk shkakton shi, megjithëse ndonjëherë mund të duket kështu thjesht rastësisht.

Për shëndetin, kur je i ftohur pi lëng limoni dhe pas disa ditësh përmirësohesh. Evolucioni natyror i infeksionitPushimi dhe kujdeset e tjera shpjegojnë përmirësimin; nuk mund t’ia atribuojmë thjesht lëngut.

Ndryshime në simptoma mund të vërehen me çdo trajtim. Kjo nuk mjafton për të arritur në përfundimin se ndryshimi është për shkak të trajtimit.Faktorët e jashtëm, regresioni drejt mesatares ose përmirësimet spontane mund të jenë në lojë.

Ata që konsumojnë më pak ushqime ultra të përpunuara kanë tendencë të kenë një incidencë më të ulët të kancerit, por Ky ndryshim mund të pasqyrojë një stil jetese më të shëndetshëm.Aktivitet fizik më i madh, akses më i mirë në kujdes ose ndryshime socioekonomike. Lidhja nuk vërteton shkakësinë.

Nga korrelacioni te shkakësia me studime empirike

Një rast i famshëm: më shumë aktivitet fizik lidhet me më pak sëmundje kardiovaskulare. Korrelacioni hap derën për hipotezaPër shembull, ushtrimet fizike mund të rrisin oksidin nitrik dhe të zgjerojnë enët e gjakut, duke ulur presionin e gjakut. Një eksperiment i kontrolluar mund ta matë më pas këtë mekanizëm dhe të vlerësojë efektin shkakor.

Një tjetër shembull naiv: mund të zbuloni se ushtrimi më i madh lidhet me një incidencë më të lartë të kancerit të lëkurës. Shkaku i vërtetë i zakonshëm do të ishte ekspozimi në diellgjë që rrit si aktivitetin në natyrë ashtu edhe rrezikun e kancerit të lëkurës. Pa një dizajn eksperimental ose kontroll të mirë të faktorëve ngatërrues, një interpretim shkakor do të ishte i gabuar.

Regresioni dhe kauzaliteti: çfarë funksionon dhe çfarë jo

Një regresion parashikon një ndryshore nga një tjetër sipas supozimeve statistikore. Por as korrelacioni dhe as regresioni nuk vërtetojnë shkakësinë. më vete; kuptimi shkakësor duhet të vijë nga teoria, përkohësia ose dizajni.

Për të folur për një efekt shkakësor, ju nevojitet të paktën një marrëdhënie statistikisht e rëndësishme dhe një kriter menaxhimiOse variabli shkakor ndodh para efektit, ose ekziston një justifikim i fortë teorik për lidhjen shkakësore. Pa përkohësi ose teori, ka shoqërim, jo ​​shkakësi.

Shembull: të hetohet nëse mosha në të cilën një fëmijë formulon fjalitë e para lidhet me suksesin e tij të mëvonshëm akademik. Së pari, krahasohet lidhjaNëse ka një të tillë, drejtimi është i qartë nga rendi kohor: suksesi shkollor nuk mund të kthehet pas në kohë dhe të ndryshojë kur foli për herë të parë.

Dhe nëse po kërkoni mjete për të praktikuar, ka kalkulatorë dhe burime online që Ato ju lejojnë të ekzekutoni korrelacione dhe regresione Në një mënyrë të thjeshtë; disa platforma si numiqo i lehtësojnë këto analiza për mësuesit, studiuesit dhe profesionistët.

Si të zgjidhni midis korrelacionit dhe përfundimit shkakësor në varësi të objektivit

Korrelacioni është ideal për të eksploruar dhe monitoruar marrëdhëniet në panelet e kontrollit, prioritizoni hipotezat dhe zbuloni modelet. Në marketingLidhja e vizitave të përsëritura me konvertimet ose identifikimi i përmbajtjes që lëviz me frekuencën e blerjeve është shumë e dobishme.

Kur objektivi është t’i atribuohet ndikimi një ndërhyrjeje specifike (çfarë ndodh nëse e rris buxhetin e reklamimit), Ju nevojiten metoda shkakësoreIdealisht, testet A/B me caktim të rastësishëm; nëse kjo nuk është e mundur, përdoren dizajne kuazi-eksperimentale si përputhja, mosvazhdimësia ose ndryshimi në ndryshime.

Me të dhëna nga mjete të tilla si paketat analitike dhe platformat e reklamimit, është e zakonshme të përdorësh modele me të dhëna vëzhguese të mbështetura nga supozime të qarta. Ndonjëherë instrumente të vlefshme ose kontroll sintetik përdoren për të ndërtuar kundërfakte të besueshme.

Nëse jeni të interesuar të eksperimentoni me shembuj të riprodhueshëm, mund të shikoni depot që tregojnë kode bazë për të luajtur me të dhëna në skenarë të ndryshëm, si në shembullin e disponueshëm në këtë link: github.com/pichu2707/corr-causal-enae.

Këshilla praktike për vlerësimin e provave

Para se të përqafoni një titull sensacional, pyeteni veten: A ka randomizim apo vetëm vëzhgim?A ka kontrolle të mjaftueshme për ngatërrimin? A tregojnë nëngrupet të njëjtën histori, apo lind një paradoks i Simpsonit? Kështu filtrohet zhurma.

Kur shihni një studim vëzhgues me një folje të fortë, riformulojeni mendërisht atë në kushtore: është i lidhur me dhe mund të zvogëlojë ose rrisëKjo disiplinë e vogël gjuhësore shmang interpretimet e tepërta dhe ruan ndershmërinë shkencore.

Klasifikoni mendërisht studimin: vëzhgues ose ndërhyrës. Studiuesit vëzhgues zbulojnë shoqataStudimet eksperimentale, nëse kryhen mirë, lejojnë shumë më tepër siguri në përcaktimin e shkakësisë. Ato veprojnë si një filtër i shpejtë për të shmangur kurthet.

Në psikologjinë klinike dhe psikoterapinë, ku bashkëjetojnë dhe bashkëveprojnë faktorë të shumtë, ekipe me përvojë në kontekste të botës reale Ato na kujtojnë se përfundimi shkakësor kërkon kujdes të veçantë dhe dizajne të përshtatshme për të shmangur ngatërrimin e korrelacioneve të habitshme me efektet reale terapeutike.

Vështrimi nga afër i të dhënave, zgjedhja e mjetit të duhur për pyetjen dhe kujdesi me gjuhën bëjnë ndryshimin midis të parit se dy gjëra lëvizin së bashku dhe të demonstruarit se njëra lëviz tjetrën. Përdorni korrelacionin për të eksploruar dhe për të përcaktuar përparësitë e hipotezaveRezervoni metodat shkakësore për atribuimin e efekteve dhe marrjen e vendimeve; në këtë mënyrë do të kaloni nga ajo që lëviz me çfarë te ajo që shkakton çfarë me besueshmërinë më të madhe të mundshme.