เมื่อความสัมพันธ์สามารถเป็นประโยชน์โดยไม่มีสาเหตุได้อย่างไร

สัตว์เลี้ยงพูดถึงนักสถิติหลายคนคือ "สหสัมพันธ์ไม่ได้บอกเป็นนัยถึงสาเหตุ" นี่เป็นเรื่องจริง แต่สิ่งหนึ่งที่ดูเหมือนว่าส่อให้เห็นในที่นี้คือความสัมพันธ์มีค่าเพียงเล็กน้อยหรือไม่มีเลย มันเป็นเรื่องจริงเหรอ? มันไร้ประโยชน์หรือไม่ที่จะมีความรู้ว่าตัวแปรสองตัวมีความสัมพันธ์กัน?

ฉันไม่สามารถจินตนาการได้ว่าเป็นกรณี ฉันไม่คุ้นเคยกับการวิเคราะห์เชิงทำนายอย่างน่ากลัว แต่ดูเหมือนว่าหากXเป็นตัวทำนายYมันจะมีประโยชน์ในการทำนายค่าในอนาคตที่YอิงตามXโดยไม่คำนึงถึงสาเหตุ

ฉันเห็นคุณค่าของสหสัมพันธ์อย่างไม่ถูกต้องหรือไม่? และถ้าไม่นักสถิติหรือนักวิทยาศาสตร์ข้อมูลอาจใช้ความสัมพันธ์โดยไม่มีสาเหตุในสถานการณ์ใด

ความสัมพันธ์ (หรือตัวชี้วัดอื่น ๆ ของสมาคม) มีประโยชน์สำหรับการทำนายโดยไม่คำนึงถึงสาเหตุ สมมติว่าคุณวัดความสัมพันธ์ที่ชัดเจนและมั่นคงระหว่างตัวแปรสองตัว สิ่งนี้หมายความว่าการรู้ระดับของตัวแปรหนึ่งจะให้ข้อมูลบางอย่างเกี่ยวกับตัวแปรที่น่าสนใจอีกตัวหนึ่งซึ่งคุณสามารถใช้เพื่อช่วยทำนายตัวแปรหนึ่งให้เป็นหน้าที่ของอีกตัวแปรหนึ่งและที่สำคัญที่สุดคือดำเนินการบางอย่างตามการคาดการณ์นั้น . การดำเนินการเกี่ยวข้องกับการเปลี่ยนแปลงตัวแปรหนึ่งตัวหรือมากกว่าเช่นเมื่อทำการแนะนำอัตโนมัติหรือใช้การแทรกแซงทางการแพทย์ แน่นอนคุณสามารถคาดการณ์ได้ดีขึ้นและดำเนินการอย่างมีประสิทธิภาพยิ่งขึ้นหากคุณมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับความสัมพันธ์โดยตรงหรือโดยอ้อมระหว่างตัวแปรสองตัว ข้อมูลเชิงลึกนี้อาจเกี่ยวข้องกับตัวแปรอื่น ๆ รวมถึงตัวแปรเชิงพื้นที่และเชิงเวลา

มีจุดดี ๆ มากมายที่นี่แล้ว ให้ฉันคลายการอ้างสิทธิ์ของคุณว่า "ดูเหมือนว่าหากXเป็นตัวทำนายYว่ามันจะมีประโยชน์ในการทำนายค่าในอนาคตที่YอิงตามXโดยไม่คำนึงถึงความเป็นเหตุเป็นผล" เล็กน้อย คุณถูกต้อง: หากทั้งหมดที่คุณต้องการคือสามารถทำนายYค่าที่ไม่รู้จักจากXค่าที่รู้จักและความสัมพันธ์ที่รู้จักและมั่นคงสถานะของสาเหตุของความสัมพันธ์นั้นไม่เกี่ยวข้อง พิจารณาว่า:

• คุณสามารถทำนายผลกระทบจากสาเหตุได้ นี่คือใช้งานง่ายและไม่ขัดแย้ง
• คุณยังสามารถทำนายสาเหตุจากความรู้เกี่ยวกับผลกระทบ บางคนมีน้อยคนที่เป็นมะเร็งปอด เป็นผลให้ถ้าคุณรู้ว่ามีคนเป็นมะเร็งปอดคุณสามารถทำนายได้อย่างมั่นใจว่าพวกเขา / เป็นคนสูบบุหรี่แม้ว่าการสูบบุหรี่จะเป็นสาเหตุและมะเร็งก็เป็นผล ถ้าหญ้าในสนามเปียกและสปริงเกอร์ไม่ทำงานคุณสามารถทำนายได้ว่าฝนจะตกถึงแม้ว่าฝนจะเป็นสาเหตุและหญ้าเปียกก็เป็นเพียงผลกระทบ เป็นต้น
• นอกจากนี้คุณยังสามารถทำนายผลที่ไม่รู้จักจากผลกระทบที่ทราบสาเหตุเดียวกัน ตัวอย่างเช่นหาก Billy และ Bobby เป็นแฝดเหมือนกันและฉันไม่เคยพบ Billy แต่ฉันรู้ว่า Bobby คือ 5 '10' (178 ซม.) ฉันสามารถทำนาย Billy ได้ 178 ซมด้วยความมั่นใจแม้จะมีความจริงที่ว่า ทั้งความสูงของบิลลี่เป็นสาเหตุของความสูงของบ๊อบบี้

พวกเขาไม่เซ่อความสำคัญของความสัมพันธ์ เป็นเพียงความโน้มเอียงที่จะตีความความสัมพันธ์ว่าเป็นสาเหตุ

ให้นมลูกเป็นตัวอย่างที่สมบูรณ์แบบ มารดามักตีความการค้นพบ (การศึกษาเชิงสังเกต) เกี่ยวกับการเลี้ยงลูกด้วยนมเป็นข้อเสนอแนะว่าควรให้นมลูกจริงหรือไม่ โดยเฉลี่ยแล้วเด็กทารกที่กินนมแม่มักจะเป็นผู้ใหญ่ที่มีสุขภาพดีตามอายุแม้หลังจากควบคุมอายุแม่และพ่อตามยาวสถานะทางสังคมและเศรษฐกิจเป็นต้นซึ่งไม่ได้หมายความว่าการเลี้ยงลูกด้วยนมเพียงอย่างเดียวนั้นมีความแตกต่างกัน บางส่วนมีบทบาทในการพัฒนาความอยากอาหาร ความสัมพันธ์นั้นซับซ้อนมากและเราสามารถคาดเดาได้อย่างง่ายดายที่โฮสต์ทั้งหมดของปัจจัยไกล่เกลี่ยที่สามารถรองรับความแตกต่างที่สังเกตได้

การศึกษาจำนวนมากมองไปที่สมาคมเพื่อรับประกันความเข้าใจที่ลึกซึ้งยิ่งขึ้นว่าเกิดอะไรขึ้น ความสัมพันธ์ไม่ได้ไร้ประโยชน์มันเป็นเพียงขั้นตอนหลายขั้นตอนด้านล่างสาเหตุและหนึ่งจะต้องระวังวิธีการรายงานการค้นพบเพื่อป้องกันการตีความผิดจาก nonexperts

คุณพูดถูกที่สหสัมพันธ์นั้นมีประโยชน์ เหตุผลที่แบบจำลองเชิงสาเหตุดีกว่าแบบจำลองเชิงสัมพันธ์นั่นก็คือ - ตามที่เพิร์ลบอกว่า - มันเป็นออราเคิลสำหรับการแทรกแซง กล่าวอีกอย่างหนึ่งก็คือพวกมันให้คุณใช้เหตุผลอย่างมีเหตุผล แบบจำลองเชิงสาเหตุตอบคำถาม "ถ้าฉันต้องทำให้ X เกิดขึ้นจะเกิดอะไรขึ้นกับ Y"

แต่คุณไม่จำเป็นต้องให้เหตุผลเสมอไป หากโมเดลของคุณเป็นเพียงไปใช้ในการตอบคำถามเช่น "ถ้าผมสังเกต X ทำในสิ่งที่ฉันรู้เกี่ยวกับ Y?" จากนั้นรูปแบบการ associational คือทั้งหมดที่คุณต้องการ

คุณถูกต้องว่าความสัมพันธ์มีประโยชน์สำหรับการทำนาย นอกจากนี้ยังมีประโยชน์สำหรับการทำความเข้าใจระบบภายใต้การศึกษา

กรณีหนึ่งที่จำเป็นต้องมีความรู้เกี่ยวกับกลไกเชิงสาเหตุหากการแจกแจงเป้าหมายได้รับการจัดการ (เช่นตัวแปรบางตัวถูก "บังคับ" ให้รับค่าบางอย่าง) โมเดลที่อิงตามสหสัมพันธ์เท่านั้นจะทำงานได้ไม่ดีในขณะที่โมเดลที่ใช้ข้อมูลเชิงสาเหตุควรทำงานได้ดีกว่ามาก

ความสัมพันธ์เป็นเครื่องมือที่มีประโยชน์ถ้าคุณมีแบบจำลองพื้นฐานที่อธิบายถึงเวรกรรม

ตัวอย่างเช่นถ้าคุณรู้ว่าการใช้แรงกับวัตถุนั้นมีผลต่อการเคลื่อนไหวคุณสามารถวัดความสัมพันธ์ระหว่างแรงกับความเร็วและแรงและความเร่ง ความสัมพันธ์ที่แข็งแกร่ง (กับการเร่งความเร็ว) จะถูกอธิบายด้วยตัวเอง

ในการศึกษาเชิงสังเกตความสัมพันธ์สามารถเปิดเผยรูปแบบทั่วไปบางอย่าง (ตามที่ระบุไว้ในการเลี้ยงลูกด้วยนมและสุขภาพในภายหลัง) ซึ่งอาจจะเป็นพื้นที่สำหรับการสำรวจทางวิทยาศาสตร์ต่อไปผ่านการออกแบบการทดลองที่เหมาะสมที่สามารถยืนยันหรือปฏิเสธสาเหตุ ผลที่ตามมาสำหรับกรอบทางวัฒนธรรมบางอย่าง)

ดังนั้นความสัมพันธ์อาจมีประโยชน์ แต่ก็ไม่ค่อยมีข้อสรุป

ตามที่คุณระบุความสัมพันธ์เพียงอย่างเดียวมีประโยชน์มากมายโดยส่วนใหญ่การคาดการณ์

$A$$B$$A$$B$

ตัวอย่างเช่นการศึกษาทั้งหมดเหล่านี้แสดงให้เห็นว่าการใช้กาแฟอย่างหนักในผู้สูงอายุมีความสัมพันธ์กับระบบหัวใจและหลอดเลือดที่ดีต่อสุขภาพอยู่ในใจของฉันแรงบันดาลใจจากคนที่ต้องการปรับพฤติกรรมการดื่มกาแฟหนักของพวกเขา อย่างไรก็ตามการพูดว่าการดื่มกาแฟนั้นมีความสัมพันธ์กับหัวใจที่ดีต่อสุขภาพมากกว่าสาเหตุสาเหตุไม่มีอะไรที่จะตอบคำถามที่เราสนใจจริง ๆ : เราจะมีสุขภาพที่ดีกว่าถ้าเราดื่มกาแฟมากขึ้นหรือลดลง? มันน่าผิดหวังมากที่พบผลลัพธ์ที่น่าสนใจ (กาแฟเชื่อมโยงกับหัวใจที่ดีต่อสุขภาพ!) แต่ไม่สามารถใช้ข้อมูลนั้นในการตัดสินใจ (ยังไม่รู้ว่าคุณควรดื่มกาแฟเพื่อสุขภาพหรือไม่) และเกือบจะทุกครั้ง สิ่งล่อใจที่จะตีความความสัมพันธ์เป็นสาเหตุ

เว้นแต่ว่าทุกสิ่งที่คุณใส่ใจคือการพนัน (เช่นคุณต้องการคาดการณ์ แต่ไม่มีอิทธิพล)

มีค่าในความสัมพันธ์ แต่ควรดูหลักฐานเพิ่มเติมเพื่อสรุปสาเหตุ

หลายปีที่ผ่านมามีการศึกษาที่ทำให้เกิด "กาแฟทำให้เกิดมะเร็ง" ทันทีที่ฉันได้ยินสิ่งนี้ในข่าวฉันบอกภรรยาของฉันว่า มันกลับกลายเป็นว่าฉันถูกต้อง ประชากรกาแฟ 2-3 ถ้วยต่อวันมีอัตราการสูบบุหรี่สูงกว่าผู้ดื่มที่ไม่ใช่กาแฟ เมื่อผู้รวบรวมข้อมูลพบสิ่งนี้พวกเขาจะถอนผลลัพธ์ออกมา

การศึกษาที่น่าสนใจอีกครั้งก่อนที่ความเจริญและที่อยู่อาศัยจะแสดงให้เห็นถึงการเหยียดเชื้อชาติเมื่อมันมาถึงการแปรรูปการจำนอง การเรียกร้องคือผู้สมัครดำถูกปฏิเสธในอัตราที่สูงกว่าคนผิวขาว แต่การศึกษาอื่นดูที่อัตราเริ่มต้น เจ้าของบ้านสีดำเริ่มต้นด้วยอัตรา sames เป็นคนผิวขาว หากแอปพลิเคชันสีดำถูกจัดขึ้นที่มาตรฐานที่สูงกว่าอัตราเริ่มต้นของพวกเขาจะต่ำกว่าจริง หมายเหตุ: บทความนี้มีการแชร์โดยผู้แต่ง Thomas Sowell ในหนังสือของเขาThe Housing Boom and Bust

การขุดข้อมูลสามารถสร้างข้อมูลสองชุดที่แสดงความสัมพันธ์สูงได้อย่างง่ายดาย แต่สำหรับเหตุการณ์ที่ไม่เกี่ยวข้องกัน ในท้ายที่สุดมันเป็นการดีที่สุดที่จะดูการศึกษาที่ส่งคุณด้วยสายตาที่สำคัญมาก การค้นหาความสัมพันธ์ที่ผิดพลาดนั้นไม่ใช่เรื่องง่าย แต่เป็นความสามารถที่ได้มา

ความสัมพันธ์เป็นปรากฏการณ์ที่สังเกตได้ คุณสามารถวัดได้ คุณสามารถดำเนินการกับการวัดเหล่านั้น ด้วยตัวเองมันจะมีประโยชน์

อย่างไรก็ตามหากคุณมีความสัมพันธ์คุณไม่มีการรับประกันใด ๆ ว่าการเปลี่ยนแปลงที่คุณทำจะมีผลกระทบจริง (ดูกราฟที่มีชื่อเสียงซึ่งผูกกับการเพิ่มขึ้นของไอโฟนกับการเป็นทาสในต่างประเทศและอื่น ๆ ) มันแสดงให้เห็นว่ามีความสัมพันธ์อยู่ที่นั่นและถ้าคุณปรับแต่งสภาพแวดล้อม (โดยการแสดง) ความสัมพันธ์นั้นอาจยังอยู่ที่นั่น

อย่างไรก็ตามนี่เป็นวิธีที่ละเอียดอ่อนมาก ในหลาย ๆ สถานการณ์เราต้องการเครื่องมือที่มีความละเอียดน้อยกว่า: ความเป็นเหตุเป็นผล เวรกรรมเป็นความสัมพันธ์ร่วมกับการอ้างว่าถ้าคุณปรับแต่งสภาพแวดล้อมของคุณด้วยการกระทำในทางใดทางหนึ่งคุณควรคาดหวังว่าความสัมพันธ์ยังคงอยู่ที่นั่น สิ่งนี้ช่วยให้การวางแผนระยะยาวเช่นการผูกมัดของเหตุการณ์เชิงสาเหตุ 20 หรือ 50 เหตุการณ์ในหนึ่งแถวเพื่อระบุผลลัพธ์ที่เป็นประโยชน์ การทำเช่นนั้นกับความสัมพันธ์ 20 หรือ 50 มักจะทำให้เกิดผลลัพธ์ที่คลุมเครือและมืดมน

เป็นตัวอย่างของวิธีที่มีประโยชน์ในอดีตพิจารณาวิทยาศาสตร์ตะวันตกเทียบกับการแพทย์แผนจีน (TCM) วิทยาศาสตร์ตะวันตกมุ่งเน้นที่ "พัฒนาทฤษฎีแยกการทดสอบที่สามารถแสดงทฤษฎีดำเนินการทดสอบและบันทึกผลลัพธ์" สิ่งนี้เริ่มต้นด้วย "พัฒนาทฤษฎี" ซึ่งเชื่อมโยงกับเวรกรรมอย่างมาก TCM หมุนไปรอบ ๆ โดยเริ่มต้นด้วย "คิดค้นการทดสอบซึ่งอาจให้ผลลัพธ์ที่เป็นประโยชน์รันการทดสอบระบุความสัมพันธ์ในคำตอบ" การโฟกัสมีความสัมพันธ์มากขึ้น

ทุกวันนี้ชาวตะวันตกมักจะชอบคิดในแง่ของความเป็นเหตุเป็นผลเกือบทั้งหมดดังนั้นคุณค่าของการศึกษาความสัมพันธ์จึงยากที่จะสอดแนม อย่างไรก็ตามเราพบว่ามันแฝงตัวอยู่ในทุกมุมของชีวิต และอย่าลืมว่าแม้แต่ในวิทยาศาสตร์ตะวันตกความสัมพันธ์เป็นเครื่องมือสำคัญในการระบุทฤษฎีที่ควรค่าแก่การสำรวจ!