Корелација и узрочност: разлике, примери и како избећи грешке

Почетна » Економија » Корелација и узрочност: Разлике, примери и како избећи грешке

Јавни дискурс о подацима је пун концептуалних замки, а међу њима је мешање корелације између две ствари са једном која узрокује другу једна од најчешћих. Јасно разликовање између корелације и узрочности није само статистичка техничка детаљност; то је практична вештина за избегавање исхитрених одлука у здравству, економији, маркетингу или политичким наукама.

У наредним редовима пронаћи ћете свеобухватан и занимљив водич који ће вам помоћи да избегнете ову грешку. Дефинисаћемо оба концепта, прегледати кључне разлике , испитати свакодневне примере који лако могу да заваре, истражити методе за разоткривање лажних веза и испитати најробусније приступе за закључивање о узрочним ефектима када не можемо слободно да експериментишемо.

Шта подразумевамо под корелацијом, а шта под узрочношћу?

Када се две променљиве крећу заједно, обично кажемо да су у корелацији: ако се једна повећава, друга тежи повећању или обрнуто. Корелација је мера повезаности ; она квантификује интензитет и смер ове интеракције, али нам не говори зашто се то дешава.

Узрочност је сасвим друга ствар: она подразумева да промена једне променљиве изазива промену друге. Узрочна веза је усмерена и захтева механизам који повезује узрок и последицу. Постојање узрочности може, али и не мора довести до видљиве корелације у подацима, у зависности од тога како и под којим условима меримо.

Кључне разлике које вреди запамтити

• Корелација не подразумева узрочностМоже постојати повезаност без основне узрочно-последичне везе.
• Узрочност подразумева механизамМеђутим, то се можда неће манифестовати као корелација ако постоје контроле или компензације које маскирају образац.
• Корелација је симетрична (А са Б је исто што и Б са А), узрочност није: то што А узрокује Б не значи да Б узрокује А.

Примери који тестирају интуицију

Корелација без узрочности: замка треће променљиве

У анализама временских серија, типично је приметити да се током топлијих месеци повећавају и продаја сладоледа и број утапања на плажи. Обе серије се крећу заједно због заједничког фактора (температуре и повећаног коришћења плаже), а не зато што сладолед изазива утапања или обрнуто. Ово је класичан пример лажне корелације због збуњујуће променљиве.

Нешто слично се догодило са медијским извештајем о бебама које су спавале са упаљеним светлом и повећаној вероватноћи да ће развити миопију код њих. Касније је откривено да је родитељска миопија утицала и на употребу ноћних светала и, кроз наслеђе, на вид њихове деце. Поново, трећа варијабла је објаснила ову повезаност.

Када постоји узрок, али корелација нестаје

Замислите термостат који одржава константну температуру у кући контролишући пећ на гориво. Количина горива заиста изазива топлоту , али пошто термостат компензује, унутрашња температура можда није у корелацији са количином сагорелог горива. Постоји узрочно-последична веза без видљиве корелације у том мерењу.

Смер је важан, а понекад иде уназад.

Често се каже да вођење активног живота штити когнитивне перформансе код старијих особа. Међутим, може постојати обрнута узрочност : они који одржавају боље когнитивне функције имају тенденцију да имају активније рутине. Само ова повезаност не решава проблем стреле времена.

Симпсонов парадокс

Овај парадокс настаје када се тренд присутан у укупним подацима обрне када се подаци разложе на подгрупе. Уобичајени пример је третман који изгледа ефикаснији при високим дозама у целини, али када се подаци разложе по полу, образац је обрнут јер се расподела дозе разликује између група. Поређење јабука и поморанџи прикрива стварност.

Како открити лажне везе

Користан алат је парцијална корелација: она мери везу између две променљиве док контролише трећу . Ако, када се контролише температура, веза између сладоледа и дављења нестане, знате да је веза била лажна.

Друга стратегија је стратификовање анализе: подела по релевантним групама (старост, пол, регион) или прилагођавање збуњујућим варијаблама у моделима, како би се изоловали ефекти и избегли обмањујући закључци услед мешавине популација.

Основне метрике за квантификацију повезаности

Коваријанса показује смер заједничке промене две променљиве. Позитивна је ако се крећу у истом смеру, а негативна ако се крећу у супротним смеровима ; вредност близу нуле указује на одсуство линеарне везе. Њена скала зависи од јединица, тако да није упоредива између различитих парова; овај опрез са метрикама подсећа на праксе контроле квалитета.

Пирсонов коефицијент корелације нормализује коваријансу и креће се од -1 до 1. Он квантификује јачину линеарне везе између континуираних квантитативних варијабли, при чему 1 или -1 представљају савршене везе. Такође пружа p-вредност за тестирање да ли се посматрана веза може приписати случајности под одређеним претпоставкама.

Спирманов коефицијент корелације ранга процењује повезаност на основу рангова. Добро функционише када је веза монотона, али не нужно линеарна , и робуснији је на аутсајдере. Штавише, подржава ординалне променљиве, што Пирсон не подржава.

Друге мање уобичајене опције укључују Кендалово правило за слагање ранга и правило бисеријске тачке када је једна променљива дихотомна, а друга интервална . Избор исправног коефицијента избегава погрешна тумачења.

Што се тиче добро познате p-вредности, важно је разјаснити: то није вероватноћа да је хипотеза тачна . Она показује колико би екстремни били посматрани подаци ако би нулта хипотеза била тачна. Ниска p-вредност сугерише да је мало вероватно да је посматрана повезаност последица случајности, али сама по себи не доказује узрочност.

Када користити сваку меру

Ако желите да знате смер у коме се крећу две променљиве без намере да упоређујете њихове величине, коваријанса ће вас водити . Да бисте измерили јачину линеарне везе са континуираним променљивим и без великих аномалија, Пирсонов коефицијент корелације је природан избор.

Када сумњате да је веза монотона, али не и линеарна, да постоје екстремне вредности или да радите са ординалним подацима , Спирманов коефицијент корелације ранга обично пружа поузданије резултате. И запамтите: свака корелација описује повезаност, а не ефекат.

Шта је узрочни модел и за шта се користи?

Моделирање структурних једначина (SEM) омогућава спецификацију истовремених односа између променљивих са члановима грешке и теоријским ограничењима. Корисно је када систем има више узрочних путања и латентних променљивих.

Како ригорозно извести узрочно-последичне закључке

Кључни корак је рандомизовано контролисано испитивање. Рандомизација насумично додељује третман или контролу , уравнотежујући посматране и непосматране факторе у просеку. Ако све остало остане упоредиво, разлика у резултатима се приписује третману.

Када рандомизација није изводљива, појављују се квази-експериментални дизајни. Упаривање настоји да упореди јабуке са јабукама изједначавањем третираних и контролних јединица на релевантним коваријаблама.

Дисконтинуитет регресије користи праг: граничну тачку која додељује третман . Они одмах изнад и испод прага су слични, осим интервенције, што омогућава локалну процену ефекта.

Разлика у разликама упоређује еволуцију третиране групе и контролне групе пре и после интервенције, претпостављајући паралелне трендове у одсуству третмана. То је моћан алат у евалуацији политика.

Подаци посматрања такође се могу користити за унапређење истраживања комбиновањем теорије, статистике и ситуационе анализе . Валидни инструменти, синтетичке контроле и модели машинског учења помажу у приближавању ефеката, увек јасно наводећи основне претпоставке. Аналитички алати као што су рекламне платформе и пакети дигиталне аналитике илуструју овај приступ историјским подацима.

Корелација у великим подацима: могућности и замке

Истраживање корелација у великим базама података открива вредне обрасце, али што је скуп података већи, то је песма сирена лажнија . Појављују се упечатљиве асоцијације које су резултат статистичких случајности, а не стварних веза.

Алгоритми откривају обрасце, али без јасног узрочног питања и робусног дизајна студије , вероватноћа да се шум замени са сигналом нагло расте. Зато корелација води хипотезе; узрочност подржавају добро осмишљене студије.

Одговоран језик: знаци упозорења

Када читате наслове, будите опрезни са категоричким глаголима попут „смањити“, „повећати“, „узроковати“ или „елиминисати“ ако докази потичу из опсервационих студија. Боље је користити опрезније изразе као што су „повезано је са“, „могло би побољшати“ или „сугерише везу“.

Он је такође опрезан према узрочним тврдњама заснованим на пуким запажањима . Асоцијација не одређује смер: може бити супротна или због збуњујућих варијабли. Опрез у језику спречава лоше одлуке.

Илустративан пример била је порука да конзумирање маслиновог уља смањује смртност. Посматрачки докази проналазе повољне асоцијације , али то није довољно да се утврди узрочни ефекат; прикладније је рећи да је повезано са нижом смртношћу или да би је могло смањити, у очекивању даљих испитивања.

С друге стране, појавили су се наслови о хормонском третману који је изгледа штитио срце. Међутим, када се контролише социоекономски статус и начин живота, ефекат је нестао, па чак и био обрнут. Скривене варијабле могу проузроковати значајну штету ако се не контролишу.

Свакодневни примери који су обмањујући

Петао кукуриче пре зоре и сунце излази сваки дан, али кукуричење не чини да сунце излази . Слично томе, прање аутомобила не изазива кишу, иако понекад може тако изгледати пуком случајношћу.

Када сте здрави, када имате прехладу, пијете сок од лимуна и после неколико дана се осећате боље. Природни ток инфекције , одмор и друга нега објашњавају побољшање; не можемо га једноставно приписати соку.

Промене у симптомима могу се приметити код било ког третмана. Међутим, то није довољно да се закључи да је промена последица третмана ; могу учествовати и спољни фактори, регресија у односу на просек или спонтана побољшања.

Људи који конзумирају мање ултра-прерађене хране имају тенденцију да имају мању учесталост рака, али ова разлика може одражавати здравији начин живота , већу физичку активност, бољи приступ здравственој заштити или социоекономске разлике. Повезаност не доказује узрочност.

Од корелације до узрочности помоћу емпиријских студија

Добро познати пример: повећана физичка активност је повезана са мањим бројем кардиоваскуларних болести. Ова корелација отвара врата хипотезама , као што је да вежбање повећава азотни оксид и шири крвне судове, смањујући крвни притисак. Након тога, контролисани експеримент може измерити овај механизам и проценити узрочни ефекат.

Још један наиван пример: могли бисте открити да је више вежбања повезано са већом учесталошћу рака коже. Прави заједнички узрок би био излагање сунцу , што повећава и активност на отвореном и ризик од рака коже. Без експерименталног дизајна или добре контроле збуњујућих фактора, узрочно тумачење би било нетачно.

Регресија и узрочност: шта функционише, а шта не

Регресија предвиђа једну променљиву на основу друге под статистичким претпоставкама. Али ни корелација ни регресија саме по себи не доказују узрочност; узрочност мора потицати из теорије, временског оквира или дизајна.

Да бисте говорили о узрочности, потребан вам је барем статистички значајан однос и критеријум смера : или се променљива узрока јавља пре последице, или постоји чврсто теоријско оправдање за узрочну везу. Без темпоралности и теорије, постоји повезаност, а не узрочност.

Пример: испитајте да ли је узраст у којем дете формира своје прве реченице повезан са његовим каснијим академским успехом. Прво се тестира повезаност . Ако постоји, смер је јасан из временског редоследа: академски успех се не може обрнути и променити када је дете први пут проговорило.

А ако тражите алате за вежбање, постоје онлајн калкулатори и ресурси који вам омогућавају да лако покренете корелације и регресије ; неке платформе попут numiqo-а олакшавају ове анализе за наставнике, истраживаче и професионалце.

Како бирати између корелације и узрочне инференције у зависности од циља

Корелација је идеална за истраживање и праћење односа на контролним таблама, одређивање приоритета хипотеза и откривање образаца . У маркетингу , повезивање поновљених посета са конверзијама или идентификовање садржаја који резонује са учесталошћу куповине је веома корисно.

Када је циљ приписати утицај одређеној интервенцији (шта се дешава ако повећам буџет за оглашавање), потребне су вам узрочне методе : идеално А/Б тестирање са случајним распоређивањем; ако то није могуће, квази-експериментални дизајни као што су подударање, дисконтинуитет или разлике у разликама.

Када се користе подаци из алата као што су аналитички пакети и рекламне платформе, уобичајено је да се користе модели са посматрачким подацима поткрепљеним јасним претпоставкама. Понекад се користе валидни инструменти или синтетичке контроле за конструисање веродостојних контрафактуалних сценарија.

Ако сте заинтересовани за експериментисање са репродуцибилним примерима, можете погледати репозиторијуме који приказују основни код за играње са подацима у различитим сценаријима , као што је пример доступан на овом линку: github.com/pichu2707/corr-causal-enae.

Практични савети за процену доказа

Пре него што прихватите сензационалистички наслов, запитајте се: Да ли постоји рандомизација или само посматрање ? Да ли постоје адекватне контроле за збуњујуће резултате? Да ли подгрупе причају исту причу или се појављује Симпсонов парадокс? Овако филтрирате шум.

Када видите опсервациону студију са јаким глаголом, ментално га преформулишите у кондиционал: повезан је са и могао би смањити или повећати . Ова мала лингвистичка дисциплина спречава прекомерно тумачење и одржава научну искреност.

Ментално класификујте студију као опсервациону или интервенциону. Опсервационе студије откривају повезаност ; експерименталне студије, ако су добро осмишљене, омогућавају много сигурније утврђивање узрочности. Ово је брз филтер за избегавање грешака.

У клиничкој психологији и психотерапији, где више фактора коегзистира и интерагује, тимови са искуством у реалним контекстима подсећају нас да узрочно закључивање захтева посебан опрез и одговарајуће дизајне како би се избегло збуњујуће упечатљиве корелације са стварним терапеутским ефектима.

Пажљиво испитивање података, избор правог алата за питање и употреба пажљивог језика чине сву разлику између посматрања да се две ствари крећу заједно и демонстрирања да једна покреће другу. Користите корелацију да бисте истражили и дали приоритет хипотезама , а узрочне методе резервишите за приписивање ефеката и доношење одлука; на овај начин ћете се кретати од онога што се креће са чиме до онога што узрокује шта са највећом могућом поузданошћу.