Korelasyon at sanhi: mga pagkakaiba, mga halimbawa, at kung paano maiwasan ang mga pagkakamali

pagtanggap sa bagong kasapi » Kabuhayan » Korelasyon at sanhi: mga pagkakaiba, mga halimbawa, at kung paano maiwasan ang mga pagkakamali

Ang pampublikong usapan tungkol sa datos ay puno ng mga konseptwal na patibong, at kabilang sa mga ito, ang nakalilito sa katotohanan na ang dalawang bagay ay magkasama at ang isa ay nagiging sanhi ng isa pa ay isa sa mga pinakamadalas. Malinaw na hiwalay na ugnayan mula sa sanhi Hindi lamang ito isang teknikalidad sa istatistika; ito ay isang praktikal na kasanayan para maiwasan ang padalus-dalos na mga desisyon sa kalusugan, ekonomiya, marketing, o agham pampolitika.

Sa mga sumusunod na linya ay makakahanap ka ng kumpleto at kasiya-siyang gabay upang maiwasan ang pagkahulog sa patibong na iyon. Ating bibigyang-kahulugan ang parehong konsepto at rerepasuhin ang mga pangunahing pagkakaiba.Titingnan natin ang mga pang-araw-araw na halimbawa na sa unang tingin ay mapanlinlang, susuriin ang mga pamamaraan para sa pagbubunyag ng mga maling ugnayan, at rerepasuhin ang pinakamatibay na pamamaraan sa paghihinuha ng mga sanhi at bunga kapag hindi tayo malayang makapag-eksperimento.

Ano ang ibig sabihin ng ugnayan at ano ang ibig sabihin ng sanhi at bunga?

Kapag ang dalawang baryabol ay magkasamang gumagalaw, karaniwan nating sinasabi na ang mga ito ay may kaugnayan: kung ang isa ay tataas, ang isa naman ay may posibilidad na tataas, o kabaliktaran. Ang korelasyon ay isang sukatan ng asosasyonSinusukat nito ang tindi at direksyon ng pangyayaring iyon nang sabay-sabay, ngunit hindi nito sinasabi sa atin kung bakit ito nangyayari.

Ang sanhi at bunga ay ibang kuwento: ipinahihiwatig nito na ang pagbabago sa isang baryabol ay nagdudulot ng pagbabago sa iba pa. Ang isang ugnayang sanhi ay itinuro. At nangangailangan ito ng mekanismo na nag-uugnay sa sanhi at bunga. Ang pagkakaroon ng sanhi at bunga ay maaaring magresulta o hindi sa naoobserbahang ugnayan sa datos, depende sa kung paano natin sinusukat at sa ilalim ng anong mga kondisyon.

Mga pangunahing pagkakaiba na dapat tandaan

• Ang korelasyon ay hindi nagpapahiwatig ng sanhiMaaaring mayroong kaugnayan nang walang pinagbabatayang sanhi at bunga.
• Ang sanhi ay nagpapahiwatig ng isang mekanismoGayunpaman, maaaring hindi ito magpakita bilang isang ugnayan kung may mga kontrol o kompensasyon na nagtatakip sa padron.
• Simetriko ang ugnayan (Ang A na may B ay kapareho ng B na may A), ang sanhi at bunga ay hindi: ang pagiging sanhi ng A ay hindi nangangahulugang ang B ay sanhi ng A.

Mga halimbawa na sumusubok sa intuwisyon

Korelasyon nang walang sanhi: ang ikatlong bitag ng baryabol

Sa mga pagsusuring temporal, karaniwang mapapansin na sa mga mainit na buwan ay tumataas ang benta ng ice cream at gayundin ang mga pagkalunod sa dalampasigan. Ang parehong serye ay gumagalaw nang magkasama dahil sa isang karaniwang salik. (ang temperatura at ang pagtaas ng paggamit ng dalampasigan), hindi dahil ang ice cream ay nagdudulot ng pagkalunod o ang kabaligtaran. Ito ay isang klasikong halimbawa ng spurious correlation dahil sa isang confounding variable.

May katulad na nangyari sa isang natuklasan sa media tungkol sa mga sanggol na natutulog nang nakabukas ang ilaw at ang kanilang mas mataas na posibilidad na magkaroon ng myopia. Kalaunan ay nakita na ang myopia ng mga magulang Naimpluwensyahan nito kapwa ang paggamit ng liwanag sa gabi at, sa pamamagitan ng pagmamana, ang paningin ng mga bata. Muli, isang ikatlong baryabol na nagpapaliwanag ng kaugnayan.

Kapag may sanhi, ngunit nawawala ang ugnayan

Gunigunihin ang isang thermostat na nagpapanatili sa bahay sa isang pare-parehong temperatura sa pamamagitan ng pagkontrol sa isang fuel-fired furnace. Ang dami ng gasolina ay nagdudulot ng initGayunpaman, dahil nagko-compensate ang thermostat, maaaring hindi magkaugnay ang panloob na temperatura sa nasunog na gasolina. Mayroong sanhi at bunga na walang naobserbahang ugnayan sa sukat na iyon.

Mahalaga ang direksyon, at kung minsan ay paurong ito.

Madalas sabihin na ang aktibong pamumuhay ay nagpoprotekta sa kakayahang pangkaisipan ng mga matatanda. Gayunpaman, posible ang kabaligtaran na sanhi.Ang mga may mas mahusay na kakayahang pangkaisipan ay may posibilidad na mapanatili ang mas aktibong mga gawain. Gayunpaman, ang kaugnayang ito lamang ay hindi kayang lutasin ang problema sa paglipas ng panahon.

Ang Paradoks ni Simpson

Lumilitaw ang kabalintunaang ito kapag ang isang kalakaran na naroroon sa pinagsama-sama ay nababaligtad kapag pinaghihiwalay ng mga subgroup. Ang isang karaniwang halimbawa ay isang paggamot na tila mas epektibo sa mataas na dosis. Sa kabuuang datos, ngunit kapag hinati-hati ayon sa kasarian, nababaligtad ang padron dahil ang distribusyon ng dosis ay magkakaiba sa pagitan ng mga grupo. Tinatakpan ng paghahambing ng mga mansanas at dalandan ang katotohanan.

Paano matukoy ang mga pekeng relasyon

Ang isang kapaki-pakinabang na kagamitan ay ang bahagyang ugnayan: Sinusukat nito ang kaugnayan sa pagitan ng dalawang baryabol habang kinokontrol ang pangatlo.Kung ang kaugnayan sa pagitan ng ice cream at pagkalunod ay nawawala kapag kinokontrol ang temperatura, alam mong peke ang relasyon.

Ang isa pang estratehiya ay ang pagsasapin-sapin ng pagsusuri: hatiin ayon sa mga kaugnay na grupo (edad, kasarian, rehiyon) o isaayos para sa mga nakalilitong baryabol sa mga modelo, upang ihiwalay ang mga epekto at maiwasan ang mga nakaliligaw na konklusyon dahil sa mga pinaghalong populasyon.

Mga pangunahing sukatan para sa pagbibilang ng kaugnayan

Ipinapahiwatig ng covariance ang direksyon ng magkasanib na pagbabago ng dalawang baryabol. Positibo kung gumagalaw sila sa parehong direksyon at negatibo kung gumagalaw sila sa magkasalungat na direksyonAng halagang malapit sa sero ay nagpapahiwatig ng kawalan ng linear na relasyon. Ang iskala nito ay nakadepende sa mga yunit, kaya hindi ito maihahambing sa pagitan ng iba't ibang pares; ang pag-iingat na ito sa mga sukatan ay nakapagpapaalala sa mga kasanayan ng kalidad na kontrol.

Ninonormalisa ng koepisyent ni Pearson ang covariance at nasa saklaw mula -1 hanggang 1. Nagsisilbi itong sukatin ang lakas ng isang linear na relasyon sa pagitan ng mga tuluy-tuloy na kwantitatibong baryabol, kung saan ang 1 o -1 ay kumakatawan sa mga perpektong ugnayan. Nagbibigay din ito ng isang p-value upang masubukan kung ang naobserbahang kaugnayan ay maaaring maiugnay sa pagkakataon sa ilalim ng ilang mga pagpapalagay.

Sinusuri ni Spearman ang asosasyon batay sa mga ranggo. Mainam itong gumana kapag ang relasyon ay monotoniko ngunit hindi naman kinakailangang linear.at mas matatag ito laban sa mga outlier. Bukod pa rito, sinusuportahan nito ang mga ordinal variable, isang bagay na wala si Pearson.

Kabilang sa iba pang hindi gaanong karaniwang mga opsyon ang Kendall para sa pagtutugma ng ranggo at ang biserial point kapag Ang isang baryabol ay dikotomiya at ang isa pa ay agwat.Ang pagpili ng tamang koepisyent ay nakakaiwas sa mga maling interpretasyon.

Tungkol sa sikat na p-value, mahalagang linawin: Hindi ito ang probabilidad na totoo ang isang hipotesisIpinapahiwatig nito kung gaano magiging sukdulan ang naobserbahang datos kung tama ang null model. Ang mababang p-value ay nagmumungkahi na ang naobserbahang kaugnayan ay malamang na hindi dahil sa pagkakataon, ngunit hindi nito, sa sarili nito, pinapatunayan ang sanhi at bunga.

Kailan gagamitin ang bawat panukat

Kung gusto mong malaman kung saang direksyon gumagalaw ang dalawang baryabol nang hindi mo nilalayong paghambingin ang mga magnitude, Ang Covariance ay nagbibigay sa iyo ng pahiwatigUpang masukat ang lakas ng isang linear na relasyon na may mga continuous variable at walang malalaking outlier, ang Pearson ang natural na pagpipilian.

Kapag pinaghihinalaan mo na ang relasyon ay paulit-ulit ngunit hindi linear, Mayroon bang mga matinding halaga o gumagamit ka ba ng ordinal data?Ang koepisyent ng korelasyon ng ranggo ni Spearman ay may posibilidad na magbigay ng mas maaasahang mga sagot. At tandaan: lahat ng korelasyon ay naglalarawan ng asosasyon, hindi epekto.

Ano ang isang modelo ng sanhi at ano ang gamit nito?

Ang pagmomodelo ng ekwasyon ng istruktura (SEM) ay nagbibigay-daan tukuyin ang sabay-sabay na mga ugnayan sa pagitan ng mga baryabol na may mga terminong may error at mga teoretikal na limitasyon. Kapaki-pakinabang ang mga ito kapag ang sistema ay may maraming causal path at mga latent variable.

Paano gumawa ng malalim na hinuha na sanhi

Ang pamantayan ay mga randomized controlled trial. Ang randomization ay nagtatalaga ng paggamot o kontrol nang randomsa pamamagitan ng pagbabalanse ng mga naobserbahan at hindi naobserbahang salik sa karaniwan. Kung ang lahat ng iba pa ay nananatiling magkatulad, ang pagkakaiba sa mga resulta ay maiuugnay sa paggamot.

Kapag hindi magagawa ang randomization, lumilitaw ang mga mala-eksperimentong disenyo. Ang proseso ng pagtutugma ay naglalayong ihambing ang mansanas sa mansanas., pagtutugma ng mga ginamot at kontrol na yunit sa mga kaugnay na covariate.

Ang discontinuity sa regression ay gumagamit ng isang threshold: isang cut-off point na nagtatalaga ng paggamotAng mga nasa itaas at ibaba lamang ng threshold ay magkatulad maliban sa interbensyon, na nagbibigay-daan sa lokal na pagtatantya ng epekto.

Ang mga pagkakaiba sa mga pagkakaiba ay naghahambing ang ebolusyon ng isang ginamot na grupo at isang kontrol na grupo Bago at pagkatapos ng interbensyon, kung ipagpapalagay na may magkatulad na mga kalakaran sa kawalan ng paggamot. Ito ay isang makapangyarihang kasangkapan sa mga pagsusuri ng patakaran.

Maaari ring gamitin ang datos mula sa obserbasyon upang umunlad sa pamamagitan ng pagsasama-sama ng teorya at estadistika at pagsusuri sa sitwasyon. Mga wastong instrumento, sintetikong kontrol, o modelo ng ML Nakakatulong ang mga ito sa pagtatantya ng mga epekto, palaging ginagawang malinaw ang mga pagpapalagay. Inilalarawan ng mga tool sa analytics tulad ng mga platform ng ad o mga digital analytics suite ang pamamaraang ito gamit ang makasaysayang datos.

Korelasyon sa Big Data: Mga Oportunidad at mga Patibong

Ang paggalugad sa mga ugnayan sa malalaking database ay nagbubunyag ng mahahalagang pattern, ngunit Kung mas malaki ang dagat ng datos, mas maraming huwad na sirena ang umaawitLumilitaw ang mga kapansin-pansing kaugnayan na resulta ng mga istatistikal na pagkakataon, hindi ng mga totoong ugnayan.

Natutuklasan ng mga algorithm ang mga regularidad, ngunit nang walang malinaw na tanong na sanhi at isang matibay na disenyo ng pag-aaralAng posibilidad na mapagkamalang signal ang ingay ay tumataas nang husto. Samakatuwid, ang ugnayan ay gumagabay sa mga hypotheses; ang sanhi at bunga ay sinusuportahan ng mahusay na dinisenyong mga pag-aaral.

Responsableng wika: mga palatandaan ng babala

Kapag nagbabasa ng mga headline, mag-ingat sa mga kategoryang pandiwa tulad ng bawasan, dagdagan, sanhi, o alisin kung ang ebidensya ay nagmula sa mga obserbasyonal na pag-aaral. Maipapayo na gumamit ng maingat na mga ekspresyon kung paano ito iniuugnay sa, maaaring mapabuti, nagmumungkahi ng isang relasyon.

Pinaghihinalaan din niya mga pahayag na sanhi batay sa mga simpleng obserbasyonHindi tinutukoy ng isang asosasyon ang direksyon: maaaring ito ay kabaligtaran o dahil sa mga nakakalitong baryabol. Ang pag-iingat sa wika ay nakakaiwas sa mga maling desisyon.

Isang halimbawa ng mensahe ay ang mensahe na ang pagkonsumo ng langis ng oliba ay nakakabawas sa dami ng namamatay. Nakahanap ng mga kanais-nais na kaugnayan ang ebidensya ng obserbasyonNgunit hindi ito sapat upang igiit ang isang sanhing epekto; mas angkop na sabihin na ito ay may kaugnayan sa mas mababang mortalidad, o na maaari nitong bawasan ito, habang nakabinbin ang mga pagsubok.

Sa isa pang punto, may mga ulong balita tungkol sa isang hormonal na paggamot na tila nagpoprotekta sa puso. Sa pamamagitan ng pagkontrol sa antas ng sosyoekonomiko at pamumuhay Ang epekto ay naglaho at nabaligtad pa nga. Ang mga nakatagong baryabol ay maaaring magdulot ng malaking pinsala kung hindi ito kontrolado.

Mga halimbawang mapanlinlang sa araw-araw

Tumitilaok ang tandang bago magbukang-liwayway at sumisikat ang araw araw-araw, ngunit Hindi pag-awit ang dahilan kung bakit sumisikat ang arawGayundin, ang paghuhugas ng kotse ay hindi nagdudulot ng ulan, bagama't kung minsan ay tila nagkataon lamang.

Sa kalusugan, kapag ikaw ay may sipon, umiinom ka ng katas ng lemon at pagkalipas ng ilang araw ay gagaling ka. Ang natural na ebolusyon ng impeksyonAng pahinga at iba pang pangangalaga ang nagpapaliwanag sa pagbuti; hindi natin maaaring basta-basta iugnay ito sa katas.

Maaaring maobserbahan ang mga pagbabago sa mga sintomas sa anumang paggamot. Hindi sapat iyon para tapusin na ang pagbabago ay dahil sa paggamot.Maaaring may kinalaman dito ang mga panlabas na salik, pagbabalik sa mean, o mga kusang pagpapabuti.

Ang mga taong mas kaunting kumakain ng mga ultra-processed na pagkain ay may posibilidad na magkaroon ng mas mababang insidente ng kanser, ngunit Ang pagkakaibang iyan ay maaaring magpakita ng mas malusog na pamumuhay.Mas malaking pisikal na aktibidad, mas mahusay na pag-access sa pangangalaga, o mga pagkakaiba sa sosyoekonomiko. Hindi pinatutunayan ng kaugnayan ang sanhi.

Mula sa ugnayan hanggang sa sanhi gamit ang mga empirikal na pag-aaral

Isang sikat na kaso: ang mas maraming pisikal na aktibidad ay may kaugnayan sa mas kaunting sakit sa puso. Ang korelasyon ay nagbubukas ng pinto sa mga hipotesisHalimbawa, maaaring mapataas ng ehersisyo ang nitric oxide at mapalawak ang mga daluyan ng dugo, na siyang magpapababa ng presyon ng dugo. Pagkatapos, maaaring masukat ng isang kontroladong eksperimento ang mekanismong ito at matantya ang sanhing epekto.

Isa pang simpleng halimbawa: maaari mong matuklasan na ang mas maraming ehersisyo ay may kaugnayan sa mas mataas na insidente ng kanser sa balat. Ang tunay na karaniwang sanhi ay ang pagkakalantad sa arawna nagpapataas kapwa ng aktibidad sa labas at ng panganib ng kanser sa balat. Kung walang disenyong eksperimental o mahusay na kontrol sa mga nakalilitong salik, magiging mali ang interpretasyon ng sanhi.

Regresyon at sanhi: kung ano ang gumagana at kung ano ang hindi

Hinuhulaan ng isang regresyon ang isang baryabol mula sa isa pa sa ilalim ng mga pagpapalagay na pang-estadistika. Ngunit hindi nagpapatunay ng sanhi ang korelasyon o regresyon. nang mag-isa; ang kahulugan ng sanhi ay dapat magmula sa teorya, temporalidad, o disenyo.

Para mapag-usapan ang isang sanhing epekto, kailangan mo ng kahit man lang isang makabuluhang ugnayang pang-istatistika at isang pamantayan sa pamamahalaAlinman sa ang sanhil na baryabol ay nangyayari bago ang epekto, o mayroong matibay na teoretikal na katwiran para sa ugnayang sanhil. Kung walang temporalidad o teorya, mayroong asosasyon, hindi sanhil.

Halimbawa: upang siyasatin kung ang edad kung kailan nabubuo ng isang bata ang kanilang mga unang pangungusap ay may kaugnayan sa kanilang kasunod na tagumpay sa akademiko. Una, inihahambing ang samahanKung mayroon man, malinaw ang direksyon mula sa temporal na kaayusan: ang tagumpay sa paaralan ay hindi na maaaring bumalik sa nakaraan at magbago kung kailan ito unang nagsalita.

At kung naghahanap ka ng mga kagamitan para magsanay, may mga online calculator at resources na Pinapayagan ka nitong magpatakbo ng mga korelasyon at regresyon sa isang simpleng paraan; ang ilang mga platform tulad ng numiqo ay nagpapadali sa mga pagsusuring ito para sa mga guro, mananaliksik, at mga propesyonal.

Paano pumili sa pagitan ng ugnayan at hinuha ng sanhi depende sa layunin

Ang korelasyon ay mainam para sa paggalugad at pagsubaybay sa mga ugnayan sa mga dashboard, unahin ang mga hypotheses at tuklasin ang mga pattern. Sa marketingAng pag-uugnay ng mga paulit-ulit na pagbisita sa mga conversion o pagtukoy ng nilalaman na umaayon sa dalas ng pagbili ay lubhang kapaki-pakinabang.

Kapag ang layunin ay iugnay ang epekto sa isang partikular na interbensyon (ano ang mangyayari kung tataasan ko ang badyet sa advertising), Kailangan mo ng mga pamamaraang sanhilSa isip, ang mga A/B test ay gumagamit ng random assignment; kung hindi ito posible, mga quasi-experimental na disenyo tulad ng pagtutugma, discontinuity, o difference-in-differences.

Gamit ang datos mula sa mga tool tulad ng mga analytics suite at mga platform ng advertising, karaniwan nang gumagamit ng mga modelo na may datos mula sa obserbasyon sinusuportahan ng malinaw na mga pagpapalagay. Minsan, ginagamit ang mga wastong instrumento o sintetikong kontrol upang bumuo ng mga kapani-paniwalang kontra-katha.

Kung interesado kang mag-eksperimento sa mga halimbawang maaaring kopyahin, maaari mong tingnan ang mga repositoryo na nagpapakita ng mga pangunahing code para sa paglalaro gamit ang data sa iba't ibang mga sitwasyon, tulad ng halimbawang makikita sa link na ito: github.com/pichu2707/corr-causal-enae.

Mga praktikal na tip para sa pagsusuri ng ebidensya

Bago mo tanggapin ang isang kahanga-hangang headline, tanungin ang iyong sarili: Mayroon bang randomization o obserbasyon lamang?Mayroon bang sapat na mga kontrol para sa confounding? Pareho ba ang kwentong ikinukwento ng mga subgroup, o may lumilitaw bang Simpson paradox? Ganito mo sinasala ang noise.

Kapag nakakita ka ng isang obserbasyonal na pag-aaral na may malakas na pandiwa, baguhin ito sa isip sa kondisyonal na paraan: ay nauugnay sa at maaaring bawasan o dagdaganAng maliit na disiplinang lingguwistika na ito ay umiiwas sa labis na pagpapakahulugan at nagpapanatili ng katapatan sa agham.

Uriin ang pag-aaral sa isip: obserbasyonal o interbensyonal. Natuklasan ng mga mananaliksik sa obserbasyon ang mga asosasyonAng mga eksperimental na pag-aaral, kung mahusay na isasagawa, ay nagbibigay-daan para sa higit na katiyakan sa pagtatatag ng sanhi at bunga. Gumagana ang mga ito bilang mabilis na pansala upang maiwasan ang mga patibong.

Sa klinikal na sikolohiya at psychotherapy, kung saan maraming salik ang magkakasamang umiiral at nag-uugnay, mga pangkat na may karanasan sa mga konteksto ng totoong mundo Ipinapaalala nila sa atin na ang hinuha ng sanhi ay nangangailangan ng espesyal na pag-iingat at naaangkop na mga disenyo upang maiwasan ang pagkalito sa mga kapansin-pansing ugnayan sa mga totoong therapeutic effect.

Ang masusing pagsusuri sa datos, pagpili ng tamang kagamitan para sa tanong, at pagiging maingat sa paggamit ng wika ang siyang makakagawa ng pagkakaiba sa pagitan ng pagkakita na ang dalawang bagay ay magkasamang gumagalaw at pagpapakita na ang isa ay gumagalaw sa isa pa. Gumamit ng korelasyon upang galugarin at unahin ang mga hipotesisMaglaan ng mga pamamaraan ng sanhi at bunga para sa pag-uugnay ng mga epekto at paggawa ng mga desisyon; sa ganitong paraan, lilipat ka mula sa kung ano ang gumagalaw kasama ng ano patungo sa kung ano ang sanhi at ano nang may pinakamataas na posibleng pagiging maaasahan.