Кореляція та причинно-наслідковий зв'язок: відмінності, приклади та як уникнути помилок

Головна » Економіка » Кореляція та причинно-наслідковий зв'язок: відмінності, приклади та як уникнути помилок

Публічна дискусія про дані сповнена концептуальних пасток, і серед них однією з найчастіших є плутанина з тим фактом, що дві речі йдуть рука об руку, причому одна спричиняє іншу. Чітко відокремте кореляцію від причинно-наслідкового зв'язку Це не просто статистична технічність; це практична навичка, яка допомагає уникати поспішних рішень у сфері охорони здоров'я, економіки, маркетингу чи... політологія.

У наступних рядках ви знайдете повний та цікавий посібник, який допоможе вам уникнути потрапляння в цю пастку. Ми визначимо обидва поняття та розглянемо суттєві відмінності.Ми розглянемо повсякденні приклади, які на перший погляд оманливі, дослідимо методи викриття хибних зв'язків та розглянемо найнадійніші підходи до виведення причинно-наслідкових зв'язків, коли ми не можемо вільно експериментувати.

Що ми маємо на увазі під кореляцією, а що під причинно-наслідковим зв'язком?

Коли дві змінні рухаються разом, ми зазвичай кажемо, що вони корельовані: якщо одна зростає, інша має тенденцію до зростання, або навпаки. Кореляція – це міра асоціаціїВін кількісно визначає інтенсивність та напрямок цього взаємопов'язаного процесу, але не пояснює, чому це відбувається.

Причинність – це інша історія: вона передбачає, що зміна однієї змінної спричиняє зміну іншої. Причинно-наслідковий зв'язок є спрямованим. І це вимагає механізму, який пов'язує причину та наслідок. Існування причинно-наслідкового зв'язку може призводити до спостережуваної кореляції в даних, а може й не призводити, залежно від того, як ми вимірюємо та за яких умов.

Ключові відмінності, які варто пам'ятати

• Кореляція не означає причинно-наслідковий зв'язокМоже існувати асоціація без основного причинно-наслідкового зв'язку.
• Причинність передбачає механізмОднак, це може не проявлятися як кореляція, якщо є елементи контролю або компенсації, які маскують закономірність.
• Кореляція симетрична (А з B те саме, що B з A), причинність не є такою: те, що А спричиняє B, не означає, що B спричиняє A.

Приклади, що перевіряють інтуїцію

Кореляція без причинно-наслідкового зв'язку: пастка третьої змінної

У часовому аналізі типово спостерігати, що в спекотні місяці зростає продаж морозива, а також кількість утоплень на пляжі. Обидві серії рухаються разом завдяки спільному фактору. (температура та збільшення використання пляжу), а не тому, що морозиво спричиняє утоплення, чи навпаки. Це класичний приклад хибної кореляції через змінну, що впливає на результати дослідження.

Щось подібне сталося зі ЗМІ, де було опубліковано дослідження про немовлят, які спали з увімкненим світлом, та про більшу ймовірність розвитку у них короткозорості. Пізніше стало зрозуміло, що короткозорість батьків Це вплинуло як на використання нічного світла, так і, через спадковість, на зір дітей. Знову ж таки, третя змінна пояснює цей зв'язок.

Коли причина є, але кореляція зникає

Уявіть собі термостат, який підтримує постійну температуру в будинку, керуючи паливною піччю. Кількість палива викликає нагріванняОднак, оскільки термостат компенсує температуру, температура всередині може не корелювати зі спаленим паливом. Існує причинно-наслідковий зв'язок без спостережуваної кореляції в цьому вимірі.

Напрямок має значення, а іноді він іде навпаки.

Часто кажуть, що активний спосіб життя захищає когнітивні функції у людей похилого віку. Однак можливий і зворотний причинно-наслідковий зв'язок.Ті, хто зберігає кращі когнітивні функції, як правило, підтримують більш активний режим дня. Однак, цей зв'язок сам по собі не вирішує проблему стріли часу.

Парадокс Сімпсона

Цей парадокс виникає, коли тенденція, присутня в сукупності, змінюється на протилежну при розділенні на підгрупи. Типовим прикладом є лікування, яке видається ефективнішим у високих дозах. У загальних даних, але якщо їх розподілити за статтю, схема зворотна, оскільки розподіл доз відрізняється між групами. Порівняння яблук та апельсинів маскує реальність.

Як виявити фальшиві зв'язки

Корисним інструментом є часткова кореляція: Він вимірює зв'язок між двома змінними, контролюючи при цьому третю.Якщо зв'язок між морозивом і утопленням зникає після контролю за температурою, ви знаєте, що зв'язок був хибним.

Інша стратегія полягає у стратифікації аналізу: розділити за відповідними групами (вік, стать, регіон) або врахувати змішуючі змінні в моделях, щоб ізолювати ефекти та уникнути оманливих висновків через змішування популяцій.

Основні показники для кількісної оцінки асоціації

Коваріація вказує напрямок спільної зміни двох змінних. Додатне, якщо вони рухаються в одному напрямку, і від'ємне, якщо вони рухаються в протилежних напрямкахЗначення, близьке до нуля, свідчить про відсутність лінійного зв'язку. Його масштаб залежить від одиниць вимірювання, тому його неможливо порівняти між різними парами; така обережність з метриками нагадує практику... контроль якості.

Коефіцієнт Пірсона нормалізує коваріацію та коливається від -1 до 1. Він служить для кількісної оцінки сили лінійного зв'язку між неперервними кількісними змінними, де 1 або -1 представляє ідеальні зв'язки. Це також забезпечує p-значення для перевірки того, чи можна спостережуваний зв'язок віднести до випадковості за певних припущень.

Спірмен оцінює асоціацію на основі рангів. Це добре працює, коли зв'язок монотонний, але не обов'язково лінійний.і він стійкіший до викидів. Крім того, він підтримує порядкові змінні, чого не підтримує Pearson.

Інші менш поширені варіанти включають Кендалла для ранжування та бісерійну точку, коли Одна змінна є дихотомічною, а інша – інтервальною.Вибір правильного коефіцієнта дозволяє уникнути неправильних інтерпретацій.

Щодо відомого p-значення, варто уточнити: Це не ймовірність того, що гіпотеза є істинноюЦе вказує на те, наскільки екстремальними були б спостережувані дані, якби нульова модель була правильною. Низьке p-значення свідчить про те, що спостережуваний зв'язок навряд чи є випадковим, але саме по собі воно не доводить причинно-наслідковий зв'язок.

Коли використовувати кожен показник

Якщо ви хочете знати, в якому напрямку рухаються дві змінні, не маючи наміру порівнювати їх величини, Коваріація дає вам підказкуДля вимірювання сили лінійного зв'язку з неперервними змінними та без значних викидів природним вибором є метод Пірсона.

Коли ви підозрюєте, що стосунки монотонні, але не лінійні, Чи є екстремальні значення, чи ви працюєте з порядковими даними?Коефіцієнт рангової кореляції Спірмена, як правило, дає більш надійні відповіді. І пам'ятайте: кожна кореляція описує зв'язок, а не ефект.

Що таке причинно-наслідкова модель і для чого вона використовується?

Моделювання структурних рівнянь (SEM) дозволяє вказати одночасні зв'язки між змінними з умовами похибки та теоретичними обмеженнями. Вони корисні, коли система має кілька причинно-наслідкових зв'язків та латентні змінні.

Як робити суворі причинно-наслідкові висновки

Пробним каменем є рандомізовані контрольовані дослідження. Рандомізація призначає лікування або контроль випадковим чиномшляхом збалансування спостережуваних та неспостережуваних факторів у середньому. Якщо все інше залишається порівнянним, різниця в результатах пояснюється методом лікування.

Коли рандомізація неможлива, виникають квазіекспериментальні плани. Процес зіставлення спрямований на порівняння яблук з яблуками., зіставлення оброблених та контрольних одиниць за відповідними коваріатами.

Розрив у регресії використовує поріг: гранична точка, яка призначає лікуванняТі, хто потрапляє трохи вище та нижче порогу, схожі, за винятком втручання, яке дозволяє оцінити ефект локально.

Різниці в відмінностях порівнюються еволюція обробленої групи та контрольної групи До та після втручання, за умови паралельних тенденцій за відсутності лікування. Це потужний інструмент для оцінки політики.

Дані спостережень також можна використовувати для просування шляхом поєднання теорії та статистики, а також ситуаційний аналіз. Дійсні інструменти, синтетичні контролі або моделі машинного навчання Вони допомагають приблизно оцінити ефекти, завжди чітко пояснюючи припущення. Аналітичні інструменти, такі як рекламні платформи або пакети цифрової аналітики, ілюструють цей підхід за допомогою історичних даних.

Кореляція у великих даних: можливості та підводні камені

Дослідження кореляцій у великих базах даних виявляє цінні закономірності, але Чим більше море даних, тим більше співають фальшиві сирениЗ'являються вражаючі асоціації, які є результатом статистичних збігів, а не реальних взаємозв'язків.

Алгоритми виявляють закономірності, але без чіткого причинно-наслідкового питання та надійного дизайну дослідженняЙмовірність сплутати шум із сигналом різко зростає. Тому кореляція керує гіпотезами; причинно-наслідковий зв'язок підтверджується добре спланованими дослідженнями.

Відповідальна мова: попереджувальні знаки

Читаючи заголовки, будьте обережні з категоричними дієсловами, такими як «зменшувати», «збільшувати», «спричиняти» або «усувати», якщо докази отримані з обсерваційних досліджень. Бажано використовувати обережні висловлювання оскільки це пов'язано з, може покращитися, свідчить про стосунки.

Він також підозрює причинно-наслідкові твердження, засновані на простих спостереженняхАсоціація не визначає напрямок: він може бути протилежним або зумовленим змінними, що впливають на результат. Обережність у мові запобігає неправильним рішенням.

Показовим прикладом було повідомлення про те, що споживання оливкової олії знижує смертність. Спостережні дані виявляють сприятливі асоціаціїАле цього недостатньо, щоб стверджувати про причинно-наслідковий зв'язок; доречніше сказати, що це пов'язано з нижчою смертністю або що це може її зменшити, в очікуванні випробувань.

З іншого боку, з'явилися заголовки про гормональну терапію, яка, здавалося б, захищала серце. Контролюючи соціально-економічний рівень та спосіб життя Ефект зник і навіть став зворотним. Приховані змінні можуть завдати багато шкоди, якщо їх не контролювати.

Повсякденні приклади, що вводять в оману

Півень співає перед світанком, і сонце сходить щодня, але Спів не змушує сонце зійтиТак само миття машини не викликає дощу, хоча іноді може здаватися, що це просто випадково.

У здоров'ї, коли у вас застуда, ви п'єте лимонний сік, і через кілька днів вам стає краще. Природний розвиток інфекціїВідпочинок та інші методи догляду пояснюють покращення; ми не можемо просто приписувати його соку.

Зміни симптомів можуть спостерігатися при будь-якому лікуванні. Цього недостатньо, щоб зробити висновок, що зміна зумовлена ​​лікуванням.Можуть грати роль зовнішні фактори, регресія до середнього значення або спонтанні покращення.

Ті, хто споживає менше ультраоброблених продуктів, як правило, мають нижчу захворюваність на рак, але Ця різниця може відображати здоровіший спосіб життя.Більша фізична активність, кращий доступ до медичної допомоги або соціально-економічні відмінності. Зв'язок не доводить причинно-наслідковий зв'язок.

Від кореляції до причинно-наслідкового зв'язку за допомогою емпіричних досліджень

Відомий випадок: більша фізична активність корелює з меншою кількістю серцево-судинних захворювань. Кореляція відкриває двері для гіпотезНаприклад, фізичні вправи можуть збільшити рівень оксиду азоту та розширити кровоносні судини, знижуючи кров'яний тиск. Контрольований експеримент може потім виміряти цей механізм та оцінити причинно-наслідковий ефект.

Ще один наївний приклад: ви можете виявити, що більше фізичних вправ пов'язано з вищою захворюваністю на рак шкіри. Справжньою поширеною причиною є вплив сонцящо збільшує як активність на свіжому повітрі, так і ризик раку шкіри. Без експериментального дизайну або належного контролю факторів, що впливають на результат, причинно-наслідкова інтерпретація буде помилковою.

Регресія та причинність: що працює, а що ні

Регресія передбачає одну змінну на основі іншої за статистичних припущень. Але ні кореляція, ні регресія не доводять причинно-наслідковий зв'язок. самі по собі; причинно-наслідковий сенс повинен походити з теорії, темпоральності або задуму.

Щоб говорити про причинно-наслідковий ефект, потрібен щонайменше статистично значущий зв'язок, а критерій управлінняАбо причинна змінна виникає раніше наслідку, або існує вагоме теоретичне обґрунтування причинно-наслідкового зв'язку. Без часовості чи теорії існує асоціація, а не причинно-наслідковий зв'язок.

Приклад: дослідити, чи пов'язаний вік, у якому дитина формулює свої перші речення, з її подальшим академічним успіхом. Спочатку порівнюється асоціаціяЯкщо такий є, то напрямок зрозумілий з часового порядку: шкільний успіх не може повернутися в минуле та змінитися тоді, коли про нього вперше заговорили.

А якщо ви шукаєте інструменти для практики, є онлайн-калькулятори та ресурси, які Вони дозволяють проводити кореляції та регресії простим способом; деякі платформи, такі як numiqo, сприяють проведенню цього аналізу для вчителів, дослідників та фахівців.

Як вибрати між кореляцією та причинно-наслідковим висновком залежно від мети

Кореляція ідеально підходить для дослідження та моніторингу зв'язків на інформаційних панелях, пріоритезація гіпотез та виявлення закономірностей, в marketing Зв'язок повторних відвідувань з конверсіями або визначення контенту, який змінюється разом із частотою покупок, дуже корисний.

Коли метою є приписування впливу конкретному втручанню (що станеться, якщо я збільшу рекламний бюджет), Вам потрібні причинно-наслідкові методиВ ідеалі, A/B-тестування з випадковим розподілом; якщо це неможливо, квазіекспериментальні плани, такі як зіставлення, розрив або різниця в різницях.

З даними з таких інструментів, як аналітичні пакети та рекламні платформи, зазвичай вдаються до моделі з даними спостережень підкріплені чіткими припущеннями. Іноді для побудови достовірних контрфактуальних моделей використовуються валідні інструменти або синтетичний контроль.

Якщо ви зацікавлені в експериментах з відтворюваними прикладами, ви можете переглянути репозиторії, які показують базові коди для роботи з даними в різних сценаріях, як у прикладі, доступному за цим посиланням: github.com/pichu2707/corr-causal-enae.

Практичні поради щодо оцінки доказів

Перш ніж погодитися на сенсаційний заголовок, запитайте себе: Чи існує рандомізація, чи просто спостереження?Чи існують адекватні засоби контролю для введення змішувальних даних? Чи розповідають підгрупи однакову історію, чи виникає парадокс Сімпсона? Ось як ви фільтруєте шум.

Коли ви бачите обсерваційне дослідження з дієсловом сильної дії, подумки перефразуйте його в умовному способі: пов'язано з і може зменшити або збільшитиЦя невелика лінгвістична дисципліна уникає надмірних інтерпретацій та зберігає наукову чесність.

Подумки класифікуйте дослідження: обсерваційне чи інтервенційне. Дослідники-спостерігачі виявляють асоціаціїЕкспериментальні дослідження, якщо вони добре проведені, дозволяють з набагато більшою впевненістю встановити причинно-наслідковий зв'язок. Вони діють як швидкий фільтр, щоб уникнути пасток.

У клінічній психології та психотерапії, де співіснують та взаємодіють численні фактори, команди з досвідом роботи в реальних умовах Вони нагадують нам, що причинно-наслідковий висновок вимагає особливої ​​обережності та відповідних методів, щоб уникнути плутанини з вражаючими кореляціями та реальними терапевтичними ефектами.

Уважний аналіз даних, вибір правильного інструменту для питання та обережність з мовою визначають різницю між тим, щоб бачити, що дві речі рухаються разом, та тим, що одна рухає іншу. Використовуйте кореляцію для дослідження та визначення пріоритетності гіпотез.Зарезервуйте причинно-наслідкові методи для приписування наслідків та прийняття рішень; таким чином ви зможете перейти від того, що рухається з чим, до того, що викликає що, з максимально можливою надійністю.