Publisert | Sist oppdatert

Et farmasøytisk selskap ser aksjekursen hoppe hver gang en rivals legemiddelstudie mislykkes. Et universitet legger merke til at studenter som spiser frokost får høyere karakterer og lanserer et gratis frokostprogram for å heve poengsummene. Et sykehus ser at pasienter på flere medisiner dør oftere og vurderer kort å kutte resepter for å redde liv. Hver observasjon ovenfor er en reell korrelasjon. Ingen av dem beviser i seg selv noe om årsakssammenheng . Korrelasjon vs. årsakssammenheng er det mest betydningsfulle skillet i anvendt statistikk, fordi en beslutning basert på feil beslutning sløser med budsjettet, feilstyrer politikken, eller i sykehusets tilfelle, kan koste liv.

Denne veiledningen dekker hva korrelasjon faktisk måler, hvilke årsakskrav som korrelasjon alene ikke kan oppfylle, og metodene forskere og analytikere bruker for å skille de to fra hverandre, inkludert naturlige eksperimenter, instrumentelle variabler, Mendelsk randomisering og rettede asykliske grafer. Hvert eksempel nedenfor spores tilbake til en publisert, kontrollerbar kilde snarere enn en anekdote oppfunnet for et blogginnlegg.

Med enkle ord

Korrelasjon betyr at to ting beveger seg sammen. Årsakssammenheng betyr at den ene tingen får den andre til å skje. En hane galer hver morgen rett før solen står opp, men galingen forårsaker ikke soloppgangen. Å bevise årsakssammenheng i stedet for bare å legge merke til et mønster krever vanligvis ett av få verktøy, et randomisert eksperiment, en hendelse i den virkelige verden som tilfeldigvis delte mennesker inn i grupper uten hjelp fra en forsker, eller en statistisk metode som er spesielt utviklet for å fjerne påvirkningen fra skjulte faktorer. Uten en av disse er en sterk korrelasjon en ledetråd verdt å undersøke, ikke et svar.

Korrelasjon vs. årsakssammenheng

Hva korrelasjon egentlig måler

Pearsons korrelasjonskoeffisient, r, er tallet folk flest mener når de sier at to ting er korrelert. Den varierer fra -1 til +1, hvor en verdi nær +1 betyr at to variabler har en tendens til å stige samtidig, en verdi nær -1 betyr at den ene stiger når den andre synker, og en verdi nær 0 betyr at det ikke finnes noe lineært mønster som forbinder dem. Denne kvalifikatoren er viktigere enn den høres ut. En skarpt buet, U-formet sammenheng, den typen som knytter alder til helseutgifter eller temperatur til avling, kan produsere en korrelasjonskoeffisient nær null selv om de to variablene er tett og forutsigbart relatert. Pearsons r ser bare rette linjer.

Korrelasjonen er også symmetrisk konstruksjonsmessig. Korrelasjonen mellom iskremsalg og drukningsdødsfall er identisk enten den beregnes som at iskrem predikerer drukninger eller drukninger predikerer iskrem, fordi aritmetikken bak r ikke vet eller bryr seg om hvilken variabel som kom først, eller om den ene forårsaket den andre. Varmt vær driver begge tallene uavhengig av hverandre. Korrelasjon kan ikke utelukke den forklaringen, og den ble aldri bygd for å være det.

Hvilken årsakssammenheng krever at korrelasjon alene ikke kan bevise

Kausalitet betyr at det å endre én variabel i gjennomsnitt vil endre den andre når alle andre påvirkninger på utfallet holdes konstante eller tas hensyn til. Korrelasjon sjekker aldri denne betingelsen. Forskere bruker i stedet forskjellige metoder som er spesielt utviklet for å teste den. Den mest direkte er den randomiserte kontrollerte studien, der et myntkast, ikke pasientens helse, inntekt eller preferanse, avgjør hvem som får behandlingen. Randomisering kutter enhver kobling mellom behandlingen og eksisterende forskjeller mellom deltakerne, så når de to gruppene ender opp med forskjellige utfall, blir behandlingen den mest forsvarlige forklaringen som står igjen.

Kausal-komparative forskningsdesign tilnærmer seg denne logikken når en ekte randomisert studie ikke er etisk eller praktisk, og matcher grupper basert på målte egenskaper i stedet for å tilordne dem tilfeldig. Begge tilnærmingene deler det samme underliggende målet, å isolere effekten av én variabel fra alt annet som skjer ved siden av den.

Hvorfor korrelasjon blir forvekslet med årsakssammenheng

Tre separate feil produserer en korrelasjon som ser ut til å være årsakssammenhengende, men som ikke er det. En forstyrrende variabel kan påvirke begge halvdelene av paret samtidig. Fødselsrater utenfor sykehus og storkebestander på tvers av tyske regioner steg og falt så tett sammen at et fagfellevurdert tidsskrift for pediatrisk epidemiologi publiserte en formell analyse av mønsteret, bare for å finne korrelasjonen som holdt seg for fødsler utenfor sykehus i Berlin, men forsvant helt for fødsler inne i sykehusbygninger i samme by (Höfer, Przyrembel & Verleger, 2004, Paediatric and Perinatal Epidemiology ). Urbanisering flyttet begge tallene. Landdistrikter beholdt mer storkehabitat og hadde flere hjemmefødsler, av årsaker som ikke hadde noe med hverandre å gjøre.

Omvendt årsakssammenheng fører pilen bakover fra hva et diagram antyder. Lave vitamin D-nivåer er assosiert med høyere dødelighet på tvers av dusinvis av kohortstudier, men en systematisk gjennomgang som screenet 722 studier og inkluderte 84 av dem, fant at bevisene ikke kunne utelukke omvendt årsakssammenheng, fordi personer som allerede er syke, bruker mindre tid utendørs, absorberer næringsstoffer mindre effektivt og spiser mindre, noe som alt kan senke vitamin D som en nedstrøms effekt av sykdom snarere enn en årsak til den (Heath, Kim, Hodge, English & Muller, 2019, International Journal of Environmental Research and Public Health ). En større paraplygjennomgang som spenner over 296 metaanalyser av observasjonsstudier på tvers av 111 helseutfall, fant at disse sammenhengene ble langt mindre konsistente sammenlignet med 139 metaanalyser av randomiserte studier som dekket 46 utfall (Liu et al., 2022, Advances in Nutrition ).

Tilfeldigheter produserer den reneste versjonen av problemet. Tyler Vigen laget en nettside, og senere en bok, som katalogiserer korrelasjoner beregnet fra urelaterte offentlige datasett, inkludert en mellom osteforbruk per innbygger og antall personer som døde av å bli viklet inn i sengetøyet sitt, en paring uten noen plausibel mekanisme og en korrelasjonskoeffisient over 0.9. Å teste nok variabelpar mot hverandre garanterer at noen vil bevege seg sammen ved ren tilfeldighet. Ingen av disse tre feilene annonserer seg i tallet. En korrelasjonskoeffisient ser identisk ut enten den gjenspeiler forvirrende, omvendt årsakssammenheng, tilfeldighet eller en ekte årsakssammenheng.

Urolig korrelasjoner

Ekte tilfeller der korrelasjon ble forvekslet med årsakssammenheng

Hormonbehandlingens reversering

I over et tiår koblet observasjonsdata hormonbehandling til en betydelig lavere risiko for koronar hjertesykdom hos postmenopausale kvinner, og funnet formet klinisk veiledning over hele USA. Women's Health Initiative randomiserte deretter 16 608 postmenopausale kvinner i alderen 50 til 79 år på tvers av 40 amerikanske kliniske sentre til kombinert østrogen-progestinbehandling eller placebo. Studien fant det motsatte av det årevis med observasjonsforskning hadde antydet, en økt risiko for koronar hjertesykdom, hjerneslag og brystkreft i hormongruppen, et resultat sterkt nok til at studiens dataovervåkingskomité stoppet østrogen-progestin-armen tidlig (Rossouw et al., 2002, JAMA ). Skjevhet mellom friske brukere er den viktigste forklaringen. Kvinner som valgte hormonbehandling i de tidligere observasjonsstudiene hadde også en tendens til å være rikere, tynnere og mer sannsynlig å oppsøke lege regelmessig, noe som uavhengig av hverandre reduserer risikoen for hjertesykdom og ikke hadde noe med selve hormonene å gjøre.

Simpsons paradoks i Berkeley

I 1973 tok University of California, Berkeley opp menn til masterprogrammer i en merkbart høyere grad enn kvinner, og de samlede tallene så ut til å være klare bevis på skjevheter mot kvinnelige søkere. En mye sitert statistisk analyse av de samme opptaksdataene fant at menn hadde 1.8 ganger større sannsynlighet for å bli tatt opp enn kvinner totalt sett, deretter delte de samme tallene opp institutt for institutt og fant at opptaksratene faktisk favoriserte kvinner i fire av de seks største instituttene (Bickel, Hammel & O'Connell, 1975, Science ). Kvinner hadde uforholdsmessig søkt til de mest konkurransedyktige instituttene, de som avviste flest søkere av begge kjønn. Aggregering på tvers av institutter skjulte dette mønsteret og skapte en korrelasjon mellom kjønn og opptak som snudde retning i det øyeblikket den virkelige forvirrende variabelen, instituttvalg, ble tatt hensyn til. Statistikere kaller nå enhver reversering av denne typen for Simpsons paradoks.

Kolesterolbekreftelsen

Ikke alle korrelasjoner bryter sammen under gransking. Forhøyet LDL-kolesterol er et tilfelle der korrelasjonsbevisene holdt stand under alle metodene som ble brukt. En konsensusuttalelse fra 2018 fra European Atherosclerosis Society gjennomgikk mer enn 200 prospektive kohortstudier, Mendelske randomiseringsstudier og randomiserte studier som dekket over 2 millioner deltakere og mer enn 20 millioner personår med oppfølging, og fant konsistente, doseavhengige bevis for at senking av LDL-kolesterol reduserer kardiovaskulær risiko uavhengig av hvilken metode som senket den, genetisk variasjon, kosthold eller et statin (Ference et al., 2018, European Heart Journal ). En relatert Mendelsk randomiseringsmetaanalyse som samlet ni genvarianter på tvers av seks gener, fant en konsistent reduksjon i risiko for koronar hjertesykdom per enhet genetisk lavere LDL-kolesterol, uten målbar heterogenitet på tvers av variantene, en I-kvadrat på 0 prosent (Ference et al., 2013, Journal of the American College of Cardiology ). Genetiske bevis, kohortbevis og bevis fra forsøk deler sjelden de samme kildene til skjevhet. Når uavhengige design konvergerer mot det samme svaret, ligger denne konvergensen mye nærmere bevis for årsakssammenheng enn noen enkelt metode kunne tilby alene.

Bradford Hill-kriteriene for å bedømme årsakssammenheng

Sir Austin Bradford Hill, den medisinske statistikeren som bidro til å utforme studiene som etablerte sammenhengen mellom røyking og lungekreft, foreslo ni synspunkter for å bedømme om en sammenheng sannsynligvis er årsakssammenheng i en tale til Royal Society of Medicine i 1965, senere gjengitt i sin helhet (Hill, 1965/2015, Journal of the Royal Society of Medicine ). Hill var tydelig på at ingen av de ni er et strengt krav, og ingen beviser årsakssammenheng i seg selv. De fungerer som en sjekkliste for vurdering, ikke en formel som gir et ja- eller nei-svar.

utsiktspunktHva den spør om
StyrkeEr sammenhengen stor? En relativ risiko på 10 overlever mindre konfunderinger mye bedre enn en relativ risiko på 1.2.
HelhetHar det dukket opp gjentatte ganger, på tvers av forskjellige forskere, populasjoner og metoder?
spesifisitetPeker en spesifikk eksponering mot et spesifikt utfall, snarere enn en vag klynge av urelaterte effekter?
TemporalitetGikk årsaken tydelig forut for virkningen? Hill behandlet dette som det ene ikke-forhandlingsbare kriteriet.
Biologisk gradientGir mer eksponering mer effekt, et målbart dose-responsforhold?
PlausibilitetFinnes det en troverdig mekanisme som forbinder de to, gitt dagens vitenskapelige forståelse?
sammenhengUnngår årsaksforklaringen å komme i konflikt med det som allerede er kjent om utfallets naturlige historie?
EksperimentReduserer fjerning av den mistenkte årsaken, i en studie eller en naturlig tilsvarende, effekten?
AnalogiGir lignende eksponeringer lignende effekter andre steder, slik at mekanismen har en presedens?

Hills eget arbeid om røyking demonstrerer rammeverket i praksis. De første kasus-kontroll-bevisene som koblet røyking til lungekreft i 1950 var korrelasjonelle og møtte genuin vitenskapelig motstand, blant annet fra statistikeren Ronald Fisher, som hevdet at en felles genetisk predisposisjon uavhengig av hverandre kunne forårsake både røykevanen og kreftrisikoen. En prospektiv studie som fulgte 34 439 mannlige britiske leger fra 1951 til 2001 avgjorde spørsmålet med femti års dose-respons- og temporalitetsbevis. Menn født mellom 1900 og 1930 som røykte sigaretter gjennom hele livet, døde i gjennomsnitt omtrent ti år yngre enn livslange ikke-røykere, og de som sluttet i en alder av 60, 50, 40 eller 30 år, gjenvant forventet levealder med omtrent 3, 6, 9 eller 10 år (Doll, Peto, Boreham & Sutherland, 2004, BMJ ).

Hvordan forskere faktisk etablerer årsakssammenheng

Naturlige eksperimenter og forskjeller i forskjeller

Et naturlig eksperiment utnytter en reell hendelse som tilordner personer, bedrifter eller regioner til forskjellige forhold av årsaker som ikke er relatert til resultatet som studeres, og etterligner randomisering uten at en forsker orkestrerer det. Økonomene David Card og Alan Krueger brukte en slik hendelse da New Jersey hevet sin statlige minstelønn i april 1992, mens nabolandet Pennsylvania ikke gjorde det. Standard økonomisk teori forutså at sysselsettingen ville falle i New Jersey i forhold til Pennsylvania. Ved å sammenligne hurtigmatsysselsettingen i de to statene før og etter økningen, fant et design kalt difference-in-differences ingen slik nedgang (Card & Krueger, National Bureau of Economic Research Working Paper 4509, 1993). Funnet ble omstridt i årevis, men den underliggende metoden, som brukte en policyendring ingen kunne manipulere for å tilnærme tilfeldig tildeling, ble en mal på tvers av anvendt økonomi. Card delte Nobels minnepris i økonomiske vitenskaper for 2021 for empiriske bidrag til arbeidsøkonomi bygget på naturlige eksperimenter som dette.

Instrumentale variabler

En instrumentell variabel påvirker eksponeringen av interesse, men har ingen direkte effekt på utfallet bortsett fra gjennom denne eksponeringen, slik at forskere kan isolere den kausale delen av en korrelasjon som ellers ville forblitt håpløst forvirret. Genetiske varianter spiller denne rollen i Mendelsk randomisering, som dekkes nedenfor. Innen arbeidsøkonomi har en persons fødselskvartal, som påvirker hvor mye skolegang de får på grunn av grenser for obligatorisk skolegang, men ikke har noen annen plausibel effekt på vokseninntekt, tjent samme formål ved å estimere den økonomiske avkastningen på et ekstra år med utdanning.

Mendelsk randomisering: Et instrument naturen tilbyr

Hvilke genetiske varianter en person arver avgjøres tilfeldig ved unnfangelse, på samme måte som et myntkast tildeler pasienter til en studiegruppe. Mendelsk randomisering bruker genetiske varianter knyttet til eksponering, kolesterolnivå, vitamin D-nivå og kroppsmasseindeks som instrumentelle variabler, og sammenligner utfall på tvers av personer som er forskjellige i den eksponeringen av rent genetiske, i praksis tilfeldige, årsaker. Fordi varianten er fiksert før fødselen, kan den ikke være forårsaket av en sykdom som utvikler seg flere tiår senere, noe som utelukker omvendt årsakssammenheng, og fordi den arves i stor grad uavhengig av livsstil og sosioøkonomiske faktorer, reduserer den forvirrende faktorer betydelig (Yao, Wang, Li & Liu, 2026, Statistics in Medicine ).

Metoden har allerede omformet klinisk veiledning på noen områder og latt andre være uavklarte. LDL-kolesterol er bekreftelsestilfellet beskrevet ovenfor. Vitamin D er det motsatte mønsteret, der genetiske og forsøksmessige bevis gjentatte ganger ikke har klart å reprodusere størrelsen på assosiasjonene som er sett i kohortstudier, noe som stemmer overens med den omvendte årsakssammenhengen og gjenværende forvirringsfaktoren som er diskutert tidligere. En forsker som jobber seg gjennom hvordan man designer og rapporterer en Mendelsk randomiseringsstudie , velger i praksis hvilken observasjonskorrelasjon som fortjener å overleve kontakt med en genetisk randomisert test.

Rettede asykliske grafer: Kartlegging av konfunderende faktorer før du analyserer

En rettet asyklisk graf, vanligvis forkortet til DAG, er et diagram som kartlegger hver variabel en forsker mener påvirker eksponeringen, utfallet eller begge deler, koblet sammen av piler som viser den antatte effektretningen. Å tegne en graf før man kjører en statistisk modell, tvinger frem en eksplisitt beslutning om hvilke variabler som er konfunderende faktorer som trenger justering, hvilke som er mediatorer som sitter på årsakssammenhengen som vanligvis bør stå i fred, og hvilke som er kollidere som introduserer skjevhet hvis det justeres for dem. Å justere for en kollider kan produsere en korrelasjon mellom to variabler uten noen reell forbindelse i det hele tatt, speilbildet av konfundering, der manglende justering er det som skaper den falske korrelasjonen. En nøye bygget DAG passer naturlig sammen med den typen sensitivitetsanalyse som kvantifiserer hvor sterk en umålt konfunderende faktor må være for å bortforklare et resultat, siden DAG identifiserer hvilken konfunderende faktor man skal bekymre seg for, og sensitivitetsanalysen tester hvor mye den må ha betydning.

Korrelasjon vs. årsakssammenheng i forretningsanalyse

Forretningsdashboards belønner korrelasjonstenkning fordi korrelasjon er raskt, billig og allerede finnes i datalageret, mens det å etablere årsakssammenheng vanligvis betyr å kjøre et eksperiment som koster penger og tar tid. Denne avveiningen har produsert veldokumenterte og dyre feil. En studie av nettannonsering fant at kunder som mest sannsynlig klikker på en annonse, også er de kundene som mest sannsynlig kjøper, uavhengig av om de i det hele tatt så annonsen, fordi tidligere kjøpsintensjon driver både nettleseratferd og annonseeksponering samtidig (Lewis, Rao & Reiley, 2011, Proceedings of the 20th International Conference on World Wide Web). Å sammenligne eksponerte kunder med ueksponerte kunder uten å randomisere hvem som faktisk så annonsen, overdriver rutinemessig kampanjens sanne effekt, et mønster forfatterne kalte aktivitetsskjevhet.

Et separat randomisert felteksperiment utført i samarbeid med Yahoo adresserte problemet direkte, ved å tilfeldig tildele brukere til å se eller ikke se en stor forhandlers displayannonsering og koble eksponering til forhandlerens reelle salgstransaksjonsposter i stedet for en korrelasjonsmodell av forventede kjøp (Lewis & Reiley, 2014, Quantitative Marketing and Economics ). Randomisering av eksponering på individnivå, og deretter sammenligning av faktiske kjøpsresultater mellom grupper, følger samme logikk som en klinisk studie, brukt på et markedsføringsbudsjett i stedet for et legemiddel. A/B-tester, randomiserte holdout-grupper og geografiske eksperimenter som holder tilbake en kampanje fra en matchet kontrollregion er de forretningsanalytiske ekvivalentene til den randomiserte studien og det naturlige eksperimentet som er dekket tidligere, og de eksisterer av samme grunn. En korrelasjon mellom markedsføringsaktivitet og salg kan ikke fortelle et finansteam om kampanjen forårsaket inntektene eller bare landet i løpet av et godt kvartal.

Manuskripter og avhandlinger bygget på observasjonsbaserte forretnings- eller kliniske data støter på at anmeldere stiller akkurat dette spørsmålet. Den statistiske analysestøtten som Editverses PhD-statistikere gir til avhandlings- og manuskriptforfattere inkluderer rutinemessig denne kontrollen, som bekrefter at en påstått årsakssammenheng faktisk overlever når konfunderende faktorer, seleksjonseffekter og omvendt årsakssammenheng er adressert, før artikkelen når en fagfellevurdering som uansett vil stille det samme spørsmålet.

En praktisk sjekkliste før du publiserer

En korrelasjon er verdt å publisere. En kausal påstand basert på bare denne korrelasjonen er vanligvis ikke det, med mindre designet støtter det. Gå gjennom denne listen før du bestemmer hvilken dataene dine faktisk viser.

  • Sjekk temporalitet. Bekreft at den foreslåtte årsaken inntraff før den foreslåtte effekten, ikke etter den eller samtidig.
  • Tegn konfunderingsfaktorene før du kjører modellen. En rask DAG, selv en grov en, tvinger frem en eksplisitt liste over hva annet som kan forklare mønsteret.
  • Se etter et naturlig eksperiment eller et instrument. En endring i policy, en genetisk variant eller en tilfeldig tilordning som allerede er innebygd i dataene, kan erstatte en studie som ikke er etisk eller praktisk å gjennomføre.
  • Test om assosiasjonen overlever justeringen. Hvis en plausibel konfunderende aktør kommer inn i modellen og assosiasjonen krymper, forsvinner eller reverseres, slik det skjedde med hormonbehandling og hjertesykdom og med kjønn og innleggelser i Berkeley, fortalte ikke den opprinnelige korrelasjonen deg hva den så ut til å være.
  • Forklar begrensningen tydelig. Et ærlig merket korrelasjonsfunn tjener leserne, og overlever fagfellevurdering, langt bedre enn en årsakspåstand som designet ikke kan støtte.

Få eksperthjelp med korrelasjon og årsakssammenheng i dataene dine

Noen spørsmål om korrelasjon versus årsakssammenheng løses med én velvalgt sensitivitetsanalyse. Andre involverer forvirrende strukturer som er så kompliserte at en anmelder vil be om et fullstendig rammeverk for årsakssammenheng, en DAG eller et Mendelsk randomiseringsdesign før en artikkels sentrale påstand godtas. Editverses statistikere håndterer begge ender av dette spekteret for statistikk for avhandlinger, manuskripter og søknader om stipend.

Avhandling og manuskriptstatistisk analyse

$600

Doktorgradsstatistikere tester om assosiasjonen din overlever forvirrende justering og bygger den fullstendige årsakssammenhengen i SPSS, R eller STATA.

Vis detaljer →

Redigering og samsvarsgjennomgang av tilskuddsforslag

$1,190

En sjekk av at dine årsakssammenhengende påstander og forvirrende strategi samsvarer med finansiererens metodologiske forventninger før du sender inn.

Vis detaljer →

Nøkkelfunksjoner

  • ✓ Korrelasjon måler et lineært statistisk mønster mellom to variabler og sier ingenting i seg selv om retning eller mekanisme
  • ✓ Konfunderende, omvendt årsakssammenheng og tilfeldighet kan alle produsere en korrelasjon som ser ut som årsakssammenheng, men ikke er det
  • ✓ Bradford Hill-kriteriene, spesielt temporalitet og dose-respons, er fortsatt standardrammeverket for å bedømme en sammenheng snarere enn en formel som beviser den.
  • ✓ Randomiserte forsøk, naturlige eksperimenter, instrumentelle variabler og Mendelsk randomisering er de viktigste verktøyene for å fastslå årsakssammenheng når en korrelasjon alene ikke kan
  • ✓ Både Women's Health Initiative-studien og dataene fra innleggelsene i Berkeley viser en sterk, statistisk signifikant korrelasjon som snur når den virkelige forklaringen er tatt hensyn til.
  • ✓ En DAG tegnet før analysen tvinger frem et eksplisitt svar på hvilke variabler som er konfunderende, mediatorer eller kolliderende variabler
  • ✓ I forretningsanalyser svarer en A/B-test eller en randomisert holdout-gruppe på årsaksspørsmålet, noe en dashbordkorrelasjon ikke kan

Trenger du hjelp til å bevise at sammenhengen din faktisk er årsakssammenhengende?

Editverses statistikere gjennomgår årsakssammenhenger, forvirrende strategier og fullstendige analyseplaner for forfattere av avhandlinger, manuskripter og stipender på tvers av alle felt.

Få statistisk støtte
Gratis konsultasjon

Ofte stilte spørsmål om korrelasjon og årsakssammenheng

Hva er forskjellen mellom korrelasjon og årsakssammenheng?

Korrelasjon betyr at to variabler beveger seg sammen i et forutsigbart mønster. Kausalitet betyr at endring av én variabel faktisk endrer den andre. En korrelasjonskoeffisient på 0.9 kan se identisk ut på et spredningsplott enten det er en kausal effekt eller ikke, så de to skilles fra hverandre ved å sjekke temporalitet, teste om forholdet overlever justering for konfunderende faktorer, og ideelt sett observere at det holder seg i et randomisert eller naturlig eksperiment.

Kan en korrelasjon noen gang bevise årsakssammenheng i seg selv?

Ingen enkelt korrelasjonskoeffisient kan. Noen studiedesign kommer i nærheten. En veldrevet randomisert kontrollert studie med høy etterlevelse og minimalt frafall produserer en assosiasjon som fungerer som et kausalt estimat ved konstruksjon, fordi randomisering fjerner forvirrende faktorer ved tildelingspunktet. Denne egenskapen tilhører studiens design, ikke selve korrelasjonskoeffisienten.

Hva er den vanligste årsaken til en falsk korrelasjon?

Konfunderende, en tredje variabel som uavhengig påvirker begge variablene som sammenlignes, forklarer de fleste falske korrelasjoner, etterfulgt av omvendt årsakssammenheng og, sjeldnere, ren tilfeldighet. Korrelasjonen mellom stork og fødselsrate som er dokumentert i tyske epidemiologiske data, kan spores tilbake til urbanisering som påvirker storkens leveområder og hjemmefødselsrater uavhengig av hverandre.

Hva er kriteriene i Bradford Hill?

Ni synspunkter som Austin Bradford Hill foreslo i 1965 for å bedømme om en sammenheng er sannsynlig årsakssammenhengende, inkludert styrke, konsistens, temporalitet, biologisk gradient og plausibilitet. Hill behandlet temporalitet som det eneste ikke-forhandlingskriteriet og resten som et rammeverk for vurdering snarere enn en formell bestått-eller-ikke-bestått-test.

Hva er Mendelsk randomisering, og hvorfor er det viktig her?

Mendelsk randomisering bruker genetiske varianter som tildeles tilfeldig ved unnfangelse som instrumentelle variabler, slik at forskere kan estimere en årsakssammenheng fra observasjonsgenetiske data uten å gjennomføre en studie. Fordi varianten ikke kan være forårsaket av en sykdom som utvikler seg flere tiår senere, utelukker den omvendt årsakssammenheng, og fordi den i stor grad er uavhengig av livsstil og sosioøkonomiske konfunderende faktorer, reduserer den konfunderende skjevhet betydelig.

Hvordan forholder Simpsons paradoks seg til korrelasjon og årsakssammenheng?

Simpsons paradoks oppstår når en korrelasjon snur retning når dataene er delt inn i undergrupper definert av en forvirrende variabel, slik det skjedde med opptaksdataene fra Berkeley i 1973, hvor menn ble tatt opp i en høyere grad totalt sett, men kvinner ble tatt opp i en høyere grad i de fleste individuelle avdelinger. Det viser at en aggregert korrelasjon aktivt kan villede snarere enn bare å mislykkes i å bevise årsakssammenheng.

Hvordan tester bedrifter årsakssammenheng i stedet for å stole på korrelasjon?

Forretningsanalyse låner den samme logikken som brukes i en klinisk studie. A/B-tester, randomiserte holdout-grupper og geografiske eksperimenter som holder en kampanje tilbake fra et matchet kontrollområde, lar analytikere sammenligne resultater mellom tilfeldig tildelte grupper, og isolerer den kausale effekten av en markedsføringshandling fra korrelasjonsstøyen som sitter i et dashbord.

Betyr en høy korrelasjonskoeffisient en sterk årsakseffekt?

Ikke nødvendigvis. En korrelasjonskoeffisient måler styrken til et statistisk mønster, ikke størrelsen eller eksistensen av en årsakseffekt. En konfunderende faktor kan produsere en korrelasjonskoeffisient nær 1 uten årsakssammenheng mellom de to målte variablene, mens en ekte, men støyende årsakseffekt kan produsere en beskjeden koeffisient.

Referanser

  1. Hill AB. Miljø og sykdom: sammenheng eller årsakssammenheng? 1965. JR Soc Med. 2015;108(1):32-37. https://pubmed.ncbi.nlm.nih.gov/25572993/
  2. Rossouw JE, Anderson GL, Prentice RL, et al. Risikoer og fordeler med østrogen pluss progestin hos friske postmenopausale kvinner: hovedresultater fra Women's Health Initiative randomisert kontrollert studie. JAMA. 2002;288(3):321-333. https://pubmed.ncbi.nlm.nih.gov/12117397/
  3. Bickel PJ, Hammel EA, O'Connell JW. Kjønnsskjevhet i opptak til høyere utdanning: data fra Berkeley. Science. 1975;187(4175):398-404. https://doi.org/10.1126/science.187.4175.398
  4. Höfer T, Przyrembel H, Verleger S. Nye bevis for teorien om storken. Pediatr Perinat Epidemiol. 2004;18(1):88-92. https://pubmed.ncbi.nlm.nih.gov/14738551/
  5. Doll R, Peto R, Boreham J, Sutherland I. Dødelighet i forhold til røyking: 50 års observasjoner av mannlige britiske leger. BMJ. 2004, 328 (7455): 1519. https://pubmed.ncbi.nlm.nih.gov/15213107/
  6. Ference BA, Ginsberg HN, Graham I, et al. Lavdensitetslipoproteiner forårsaker aterosklerotisk hjerte- og karsykdom. 1. Bevis fra genetiske, epidemiologiske og kliniske studier. En konsensusuttalelse fra European Atherosclerosis Society Consensus Panel. Eur Heart J. 2018;38(32):2459-2472. https://pubmed.ncbi.nlm.nih.gov/28444290/
  7. Yao M, Wang A, Li X, Liu Z. Mendelske randomiseringsmetoder for kausal inferens: estimater, identifikasjon og inferens. Stat Med. 2026;45(1-2):e70394. https://pubmed.ncbi.nlm.nih.gov/41569765/
  8. Lewis RA, Reiley DH. Nettannonser og salg utenfor nettet: måling av effekten av detaljhandelsannonsering via et kontrollert eksperiment på Yahoo! Quant Mark Econ. 2014;12(3):235-266. https://doi.org/10.1007/s11129-014-9146-6