ความสัมพันธ์ไม่ได้บ่งบอกถึงสาเหตุ แต่สิ่งที่เกี่ยวกับเมื่อหนึ่งในตัวแปรเป็นเวลาหรือไม่

ฉันรู้ว่าคำถามนี้ถูกถามเป็นพันล้านครั้งดังนั้นหลังจากดูออนไลน์ฉันเชื่อมั่นอย่างเต็มที่ว่าความสัมพันธ์ระหว่าง 2 ตัวแปรไม่ได้บ่งบอกถึงสาเหตุ ในหนึ่งในการบรรยายสถิติของฉันในวันนี้เรามีการบรรยายแบบแขกรับเชิญจากนักฟิสิกส์เกี่ยวกับความสำคัญของวิธีการทางสถิติในฟิสิกส์ เขากล่าวว่าคำสั่งที่น่าประหลาดใจ:

สหสัมพันธ์ไม่ได้บอกถึงสาเหตุ แต่อย่างใดอย่างหนึ่งของตัวแปรคือเวลา ดังนั้นหากมีความสัมพันธ์ที่ดีระหว่างตัวแปรอิสระและเวลาบางอย่างนี่ก็แสดงถึงสาเหตุเช่นกัน

ฉันไม่เคยได้ยินคำแถลงนี้มาก่อน นักฟิสิกส์ / นักสัมพัทธภาพเห็น "สาเหตุ" ต่างจากสถิติของคนหรือไม่?

ฉันจะให้คำตอบอีกครั้งเนื่องจากฉันคิดว่าคำที่ให้ไว้ในตอนนี้พลาดจุดสำคัญของข้อความที่นักฟิสิกส์ทำ คำสั่งที่ยกมาคือ:

"ความสัมพันธ์ไม่ได้บ่งบอกถึงความเป็นเหตุเป็นผลเว้นแต่เป็นหนึ่งในตัวแปรคือเวลาดังนั้นหากมีความสัมพันธ์ที่แข็งแกร่งระหว่างตัวแปรอิสระและเวลาบางอย่างแล้วสิ่งนี้ก็หมายถึงสาเหตุเช่นกัน"

นักฟิสิกส์ไม่ได้พูดว่า:

"ถ้า X และ Y มีความสัมพันธ์กันและ X มาก่อน Y ความสัมพันธ์นั้นมีความหมายถึงสาเหตุ"

นั่นจะไม่ถูกต้อง สิ่งที่นักฟิสิกส์กำลังพูดคือ:

"ถ้า X และเวลาสัมพันธ์กันสหสัมพันธ์นั้นก็หมายความว่าเวลาที่เพิ่มขึ้นทำให้เกิดการเพิ่มขึ้น (หรือลดลง) ใน X"

ตัวอย่างอาจเป็นเอนโทรปี หากเรามีความสัมพันธ์ที่แข็งแกร่งระหว่างเวลาที่ผ่านไปและการเพิ่มขึ้นของเอนโทรปีเราอาจพูดได้ว่าเวลาที่เพิ่มขึ้นทำให้การเพิ่มขึ้นของเอนโทรปี โปรดทราบว่าสิ่งนี้ไม่สนใจว่าสาเหตุทางกายภาพของการเพิ่มของเอนโทรปีอาจเป็นอย่างไร (การสลายตัวของอนุภาคการขยายตัวของเอกภพ ฯลฯ )

หนึ่งในข้อกำหนดดั้งเดิมสำหรับสาเหตุคือความก้าวหน้าของเวลานั่นคือ X จะทำให้เกิด Y ถ้า X มาก่อน Y แต่ถ้าหนึ่งในตัวแปรของคุณคือเวลาแล้วความก้าวหน้าของเวลาจะถูกสร้างขึ้นในความสัมพันธ์ (ถ้ามีความสัมพันธ์อยู่)

แก้ไข: ขึ้นอยู่กับความคิดเห็นที่หลากหลายฉันจะเพิ่มต่อไปนี้ ฉันคิดว่านักฟิสิกส์อาจใช้ความคิดที่แตกต่างกันของคำว่า "สาเหตุ" ที่นี่ ดูเหมือนว่าเขาจะบอกว่าหากมีความสัมพันธ์ระหว่างตัวแปรอิสระกับเวลาคุณสามารถสรุปได้ว่าตัวแปรอิสระเปลี่ยนแปลงตามเวลาที่คาดการณ์ไว้ บางคนอาจบอกว่าการเปลี่ยนแปลงนั้น "เกิดขึ้น" เมื่อเวลาผ่านไปนี่ไม่ใช่วิธีที่นักสถิติใช้คำว่า "สาเหตุ" หรือ "สาเหตุ" เพื่อที่จะทำให้เกิดความสับสน

เราไม่รู้ว่านักฟิสิกส์หมายถึงอะไร สองการตีความที่แตกต่างกันตามมา

Y Y X Y X Y X Y X Y W X ← W → Y X ← V → Z ← W → $X$$Y$$Y$$X$$Y$$X$$Y$$X$$Y$$X$$Y$$W$$X \leftarrow W \rightarrow Y$$X \leftarrow V \rightarrow Z \leftarrow W \rightarrow Y$$Z$$X$$Y$ ขึ้นอยู่กับสาเหตุและไม่มีสาเหตุ แต่ไม่มีสาเหตุอื่น

อย่างไรก็ตามความสำคัญทางโลกได้ทำให้เงื่อนไขในการยืนยันความสัมพันธ์เชิงสาเหตุลดลงอย่างมากซึ่งคุณสามารถหาได้จากหนังสือสาเหตุของไข่มุกบทที่ 2.7 "เกณฑ์ท้องถิ่นสำหรับความสัมพันธ์เชิงสาเหตุ"

$X$$Y$$Z$$S$$X$

1. $(Z\; \not\perp\!\!\!\!\perp Y \mid S)$
2. $(Z \perp\!\!\perp Y \mid S \cup X)$

เป็นหลัก (1) หมายความว่าเป็นสาเหตุที่มีศักยภาพของให้ความสำคัญชั่วคราวและ (2) หมายความว่าคือสามารถที่จะทำลายความสัมพันธ์ที่ซึ่งสามารถเกิดขึ้นได้เฉพาะในกรณีที่ที่ทำให้เกิดY$Z$$Y$$X$$X$$Y$

เงื่อนไขนี้ง่ายกว่าคำจำกัดความของ Pearl สำหรับสาเหตุแท้จริงโดยไม่มีข้อมูลชั่วคราว

เป็นไปได้ก็ระบุไว้ในบางส่วนของคำตอบอื่น ๆ คือการที่นักฟิสิกส์นั่นหมายความว่าถ้าเป็นเนื้อเรื่องของเวลาและก็มีความสัมพันธ์กับแล้วทำให้เกิดYคำสั่งนี้ถูกต้อง แต่ไม่มีความหมายตั้งแต่กาลเวลาเป็นสาเหตุของตัวแปรอื่น ๆ ทั้งหมดโดยที่ฉันหมายความว่าโครงสร้างกราฟิกเชิงสาเหตุเป็นวิธีนี้ โครงสร้างกราฟิกเชิงสาเหตุเป็นชุดของการอ้างสิทธิ์เกี่ยวกับความสัมพันธ์อิสระที่ได้รับจากการสังเกตและการแทรกแซง$X$$Y$$X$$Y$

ฉันคาดการณ์ว่าอาจารย์ผู้สอนแขกของคุณหมายความว่าในวิชาฟิสิกส์ความสัมพันธ์เดียวที่อยู่รอดจากการจำลองแบบคือสิ่งที่มีความสัมพันธ์เชิงสาเหตุ ตัวแปรเวลาเป็นข้อยกเว้นเนื่องจากเป็นตัวแปรเดียวที่ไม่ได้ควบคุมโดยนักฟิสิกส์ นี่คือเหตุผล

ในวิชาฟิสิกส์เรามักจะจัดการกับปรากฏการณ์และการทดลองที่ทำซ้ำได้ ตามความจริงแล้วเกือบจะเป็นเรื่องที่กำหนดว่าการทดลองใด ๆ สามารถทำซ้ำได้และคุณสามารถทำซ้ำได้ในภายหลังหรือโดยนักวิจัยคนอื่น ๆ ดังนั้นขอบอกว่าคุณสังเกตตัวอย่างที่มีข้อสังเกตของตัวแปรที่น่าสนใจและตัวแปรอิสระx_kดังที่ได้กล่าวมาแล้วเราควบคุมตัวแปรได้อย่างเต็มที่และสามารถตั้งค่าให้เป็นค่าใด ๆ ที่เราต้องการ$y_i,x_{ki}$$x_k$$x_{k}$

นักฟิสิกส์ของคุณกำลังบอกว่าในการตั้งค่านี้คุณจะไม่เห็นความสัมพันธ์ใด ๆเว้นแต่จะมีการเชื่อมโยงเชิงสาเหตุ ทำไม? เพราะคนอื่นหรือตัวคุณเองจะทำการทดสอบซ้ำด้วยชุดค่าผสมและลำดับของๆ และมีเพียงความสัมพันธ์ที่มีความสัมพันธ์เชิงสาเหตุเท่านั้นที่จะอยู่รอดการจำลองแบบของการทดสอบ ความสัมพันธ์ (ปลอม) อื่น ๆ ทั้งหมดจะหายไปเมื่อคุณรวบรวมข้อมูลเพียงพอในชุดค่าผสมที่เป็นไปได้ทั้งหมดของการทดสอบx k $Corr[y,x_{k}]$$x_{kj}$

สถานการณ์นี้ตรงกันข้ามกับสังคมศาสตร์และแอปพลิเคชันธุรกิจที่คุณไม่สามารถทำการทดลองได้ คุณสังเกตเพียงหนึ่งลำดับของ GDP ของประเทศและไม่สามารถเปลี่ยนการว่างงานที่ถือครองเท่าเทียมกันและสังเกตความสัมพันธ์

ตอนนี้เวลาเป็นตัวแปรเดียวที่นักฟิสิกส์ไม่สามารถควบคุมได้ มีเพียงวันเดียว 1 มกราคม 2017 เขาไม่สามารถทำซ้ำในวันนี้ เขาสามารถทำซ้ำตัวแปรอื่น ๆ ได้ แต่ไม่ใช่เวลา นั่นเป็นเหตุผลที่เมื่อถึงเวลา ( ไม่ใช่เวลาหรืออายุที่หมดอายุ) นักฟิสิกส์อยู่ในเรือลำเดียวกันกับคนอื่น ๆ ความสัมพันธ์ไม่ได้บ่งบอกถึงสาเหตุของเขา

ฉันไม่เคยได้ยินเรื่องนี้มาก่อนและมันจะไม่เป็นจริงตามแนวคิดของความเป็นเหตุเป็นผลที่ฉันคุ้นเคย (แม้ว่าฉันไม่ใช่นักฟิสิกส์)

โดยปกติสำหรับสาเหตุมันเป็นสิ่งจำเป็นที่แจ๋วในเวลา ดังนั้นถ้านำหน้ามันจะไม่สามารถ "ทำให้เกิด" โดยไม่ว่าจะมีความสัมพันธ์ใด ๆ ก็ตาม ยิ่งกว่านั้นก่อนหน้าไม่เพียงพอสำหรับสาเหตุ (เช่นกันโดยไม่คำนึงถึงความสัมพันธ์ใด ๆ )Y X Y Y X X X $X$$Y$$X$$Y$$Y$$X$$X$$X$$Y$

ฉันไม่คิดว่าเวลาจะมีความพิเศษในเรื่องนี้ แต่มันก็เป็นตัวอย่างที่ดี ประเด็นก็คือโดยทั่วไปถ้า A & B มีความสัมพันธ์กันคุณสามารถคาดการณ์ได้ว่ามีสาเหตุบางอย่างร่วมกัน แต่คุณไม่รู้ว่า A เป็นสาเหตุของ B หรือ B ทำให้ A หรืออาจเป็นสาเหตุหนึ่งที่ทำให้ตัวแปร A & B ทั้งสองอย่างไรก็ตาม ในบางกรณีคุณสามารถแยกแยะว่าตัวแปรอื่นใดที่ทำให้เกิด A ดังนั้นต้องเป็น A ที่เกิดจาก B ตัวอย่างหนึ่งตัวอย่างเช่นการทดสอบที่ควบคุมซึ่งคุณผู้ทดลองควบคุม A จากนั้นหากการเปลี่ยนแปลงที่คุณทำ A "สัมพันธ์" กับการเปลี่ยนแปลงใน B คุณรู้ว่ามันต้องเป็น A ที่ทำให้ B เปลี่ยนไปไม่ใช่วิธีอื่น

สถานการณ์อีกประเภทหนึ่งซึ่งเป็นหนึ่งในตัวอย่างที่มีเวลาตกลงกันคือถ้าคุณรู้ว่าไม่มีตัวแปรอื่นใดที่อาจทำให้เกิด A เพราะคุณรู้ว่าไม่มีสิ่งใดที่จะมีอิทธิพลต่อ A. ตั้งแต่เวลาเพียงแค่ไหลทีละวินาที ของตัวแปรอื่น ๆ ในโลกดังนั้นถ้าเวลามีความสัมพันธ์กับการเปลี่ยนแปลงในตัวแปรบางอย่างที่คุณสนใจ (กล่าวคือจำนวนผู้คนบนโลก) คุณรู้แน่ว่าเวลาผ่านไปต้องทำให้ตัวแปรนั้นเปลี่ยนไป กว่าตัวแปรของคุณทำให้เวลาที่จะผ่านหรือเปลี่ยนแปลง (เช่นเวลาไม่ได้ไปข้างหน้าเพราะมีคนเกิดมามากขึ้นมันต้องเป็นอย่างอื่น)

แน่นอนว่าสิ่งที่คุณยังไม่รู้ก็คือว่าสิ่งที่เป็นสาเหตุโดยตรง สันนิษฐานว่ากาลเวลาไม่ได้ทำให้มนุษย์มีจำนวนมากขึ้นโดยอัตโนมัติ แต่ประวัติศาสตร์การตีแผ่ทำให้เกิดความก้าวหน้าในด้านต่าง ๆ ของสังคมและทำให้ประชากรเพิ่มขนาด (และนั่นก็คือการทำให้ความสัมพันธ์เชิงสาเหตุมีน้อยมาก) แต่โดยไม่คำนึงถึงปัจจัยที่แม่นยำในการเล่นคุณรู้แน่นอนว่า A (ท้ายที่สุด) นำไปสู่ ​​B และไม่ใช่วิธีอื่น ๆ

ที่จริงแล้วความสัมพันธ์นั้นแสดงถึงความสัมพันธ์เชิงสาเหตุ

อาจเกิดจาก B หรือ C เกิดจาก A และ B

อย่างไรก็ตามความสัมพันธ์ไม่ได้พิสูจน์สาเหตุ

นี่คือตัวเองชัดเจน

ฉันจะตีความว่านี่เป็นความหมายมากกว่าการโต้แย้งทางคณิตศาสตร์ / สถิติ ฉันจะใช้มันเป็นลักษณะทั่วไปที่ค่อนข้างรุนแรง

เกณฑ์แบรดฟอลฮิลล์ ,มักใช้ในการระบาดวิทยาให้กรอบที่ดีสำหรับการคิดเกี่ยวกับสาเหตุ ไม่มีอะไรสามารถพิสูจน์สาเหตุที่แน่ชัดได้ไม่ว่าเวลาจะเป็นปัจจัยหรือไม่และฉันสงสัยว่าอาจารย์ไม่ได้พยายามยืนยันเช่นนั้น อย่างไรก็ตามปัจจัยต่าง ๆ มากมายสามารถใช้เป็นข้อโต้แย้งที่สมเหตุสมผลสำหรับสาเหตุ

ตัวอย่างเช่นเกณฑ์แบรดฟอร์ดฮิลล์ชี้ให้เห็นว่าความแข็งแกร่งของการเชื่อมโยงระหว่างตัวแปรสามารถแสดงหลักฐานสำหรับสาเหตุได้ แต่ยังไม่เพียงพอ ในทำนองเดียวกันการเชื่อมโยงที่สอดคล้องกับข้อเท็จจริงที่รู้จัก / เชื่ออื่น ๆ อาจแนะนำการทำให้เกิดแรงยิ่งกว่าการเชื่อมโยงที่ไม่สอดคล้องกับความรู้ที่แพร่หลาย ชั่วคราวก็เป็นหนึ่งในเกณฑ์ - สาเหตุควรนำหน้าผลกระทบของมัน สมาคมและการอนุมานที่เราทำเกี่ยวกับสาเหตุต้องทำให้เกิดความรู้สึกทางโลก ฉันขอแนะนำให้ตรวจสอบเกณฑ์อื่น ๆ บางคนมีความเฉพาะเจาะจงกับระบาดวิทยาและไม่สามารถใช้ได้กับฟิสิกส์ แต่ก็ยังเป็นวิธีคิดที่มีประโยชน์

ประเด็นหลักคือในขณะที่ไม่มีหลักฐานชิ้นใดที่จะพิสูจน์สาเหตุที่แน่นอนคุณสามารถสร้างกรณีที่ดีขึ้นอยู่กับการตรวจสอบตรรกะที่แตกต่างกัน ฉันจะยืนยันว่าการให้ความสำคัญกับเกณฑ์หนึ่งอย่างใดอย่างหนึ่งอย่างเช่นเวลาไม่เหมาะสม แต่การมีลักษณะชั่วคราวอาจเป็นปัจจัยสำคัญในการสร้างกรณีที่มีสาเหตุที่เป็นไปได้

สิ่งนี้นำไปสู่จุดที่กว้างขึ้นเกี่ยวกับสถิติ: โดยทั่วไปเราใช้สถิติเพื่อสร้างการโต้แย้ง เราใช้ข้อมูลและเครื่องมือทางสถิติเพื่อสร้างจุดที่แน่นอน บ่อยครั้งที่ข้อมูลเดียวกัน (และแม้แต่เครื่องมือเดียวกัน) สามารถใช้เพื่อสร้างจุดที่ขัดแย้งกัน เราไม่สามารถหาหลักฐานยืนยันที่ชัดเจนเกี่ยวกับสาเหตุในคณิตศาสตร์ได้ แต่เราสามารถปรับใช้เครื่องมือทางสถิติของเราเป็นส่วนหนึ่งของการโต้แย้งที่กว้างขึ้น สำหรับข้อมูลเพิ่มเติมฉันขอแนะนำสถิติของ Abelson เพื่อเป็นหลักการในการโต้แย้ง

ในการวนกลับไปสู่สถานการณ์เดิมสมมติว่าคุณได้ทำการทดลองเกี่ยวกับผลกระทบของความเข้มข้นของสารเคมีบางอย่างในสารละลายที่มีต่ออุณหภูมิของสารละลายนั้น คุณสงสัยว่าการเพิ่มสารเคมีนี้จะส่งผลให้เกิดปฏิกิริยาที่เพิ่มอุณหภูมิ คุณเพิ่มมากขึ้นเรื่อย ๆ เมื่อเวลาผ่านไป คุณสามารถดูอุณหภูมิเทียบกับเวลาและดูการเพิ่มขึ้น ทั้งหมดนี้แสดงให้เห็นว่าอุณหภูมิเพิ่มขึ้นตามเวลา มันไม่ได้พิสูจน์เวลาที่ตัวเอง (หรือสิ่งอื่นใดสำหรับเรื่องนั้น) มีผลกระทบเชิงสาเหตุบางอย่าง อย่างไรก็ตามมันมีหลักฐานบางอย่างในการโต้แย้งที่กว้างขึ้นที่เพิ่มความเข้มข้นของสารเคมีนี้ส่งผลให้เกิดปฏิกิริยาที่เพิ่มอุณหภูมิ

ประโยคค่อนข้างง่ายและไม่คุ้มค่ากับการคิดมาก (และไม่เกี่ยวข้องกับลำดับความสำคัญ)

หากมีความสัมพันธ์ที่จัดตั้งขึ้นระหว่างตัวแปรและเวลา (เช่นเรารู้ว่าการเพิ่มขึ้นของเวลานั้นมาพร้อมกับการเพิ่มขึ้นของตัวแปรและนี่คือที่ได้รับ ) จากนั้นเราก็รู้ทิศทาง "สาเหตุ": เวลาเพิ่มขึ้นสาเหตุ ตัวแปรที่จะเพิ่มขึ้น

เนื่องจากสมมติฐานทางเลือกของ "nah-uh อาจเป็นเวลาที่เพิ่มขึ้นเพียงเพราะตัวแปรที่เพิ่มขึ้นครั้งแรก " ก็ไม่สามารถทนต่อการทำงานของเวลา

สิ่งนี้อาจฟังดูไร้สาระ แต่มันมีนัยยะสำคัญสำหรับการออกแบบการศึกษาที่พยายามพิสูจน์ทิศทางเชิงสาเหตุ ตัวอย่างที่สำคัญในทางการแพทย์คือความแตกต่างระหว่างการทำแบบตัดขวางและการศึกษาหมู่

ยกตัวอย่างเช่นการศึกษาแบบภาคตัดขวางที่พยายามค้นหาความเชื่อมโยงระหว่างการสูบบุหรี่กับโรคมะเร็งอาจทำให้คนกลุ่มหนึ่งแบ่งมันออกเป็นผู้สูบบุหรี่กับผู้ไม่สูบบุหรี่และดูว่าแต่ละคนมีมะเร็งจำนวนเท่าใดและไม่มีมะเร็ง อย่างไรก็ตามนี่เป็นหลักฐานที่อ่อนแอเนื่องจากความสัมพันธ์ระหว่างการสูบบุหรี่กับโรคมะเร็งสามารถตีความได้ว่าเป็น "คนที่เป็นมะเร็งมีแนวโน้มที่จะเพลิดเพลินกับการสูบบุหรี่"

อย่างไรก็ตามหากคุณทำการศึกษาแบบกลุ่มคือกลุ่มผู้สูบบุหรี่และกลุ่มที่ไม่สูบบุหรี่และติดตามพวกเขาตลอดเวลาและวัดตัวแปร "มะเร็งในผู้สูบบุหรี่ลบมะเร็งในผู้ไม่สูบบุหรี่" และสร้างผลบวก ความสัมพันธ์ของตัวแปรนี้กับเวลา (ภายใต้สมมติฐานที่สมเหตุสมผลเช่นปริมาณการสูบบุหรี่ที่เริ่มต้นครั้งนั้นคงที่และไม่ขึ้นกับเวลา ฯลฯ ) จากนั้นคุณรู้ว่า "เวลา" เป็นสาเหตุของความแตกต่างของมะเร็งเนื่องจากคุณไม่สามารถเรียกร้องได้ว่า ทำให้เวลาผ่านไปมากขึ้นในกลุ่มที่สูบบุหรี่ ดังนั้นคุณสามารถอ้างถึงสาเหตุระหว่างเวลาที่ผ่านไปและความแตกต่างในเชิงบวกของโรคมะเร็งที่เกี่ยวข้องกับอัตราที่สูงขึ้นในกลุ่มผู้สูบบุหรี่ (หรือมากกว่าที่กล่าวไว้อย่างง่าย ๆ เวลาที่อยู่ในกลุ่มสูบบุหรี่ทำให้เกิดความเสี่ยงต่อโรคมะเร็งเพิ่มขึ้นตามสัดส่วน)

ยิ่งไปกว่านั้นความอ่อนแอของการศึกษาแบบภาคตัดขวางคือความเป็นไปได้ที่ว่า "คนที่เป็นมะเร็งมีแนวโน้มที่จะสูบบุหรี่มากขึ้น" ออกไปนอกหน้าต่างเนื่องจากการสูบบุหรี่ในฐานะตัวแปรถูกนำออกจาก "เวลาเทียบกับมะเร็ง" สมการ (นี่ถือว่าเป็นค่าคงที่และไม่ได้รับผลกระทบจากเวลา) ในคำอื่น ๆ โดยการสร้างการศึกษาในลักษณะนี้ที่เราได้ตรวจสอบที่เฉพาะเจาะจงมากทิศทางเชิงสาเหตุ หากเราต้องการตรวจสอบขอบเขตที่ทิศทางเชิงสาเหตุย้อนกลับไปใช้ (เช่นมีความเป็นไปได้มากแค่ไหนที่คนที่เป็นมะเร็งในที่สุดจะสูบบุหรี่เมื่อเวลาผ่านไป) ดังนั้นเราต้องออกแบบการศึกษาแบบแบ่งกลุ่ม "มะเร็งในอนาคตกับมะเร็งในอนาคต" และวัดปริมาณการสูบบุหรี่เมื่อเวลาผ่านไป

อัปเดตการตอบสนองต่อความคิดเห็น:

โปรดทราบว่านี่เป็นการสนทนาเกี่ยวกับทิศทางเชิงสาเหตุมากกว่าการค้นหาลิงก์สาเหตุโดยตรง คำถามของการรบกวนคือสิ่งที่แยกจากกัน (นั่นคือไม่มีอะไรที่จะแนะนำว่าไม่มีตัวแปรที่สามที่เป็นอิสระซึ่งทั้งคู่ทำให้คุณมีแนวโน้มที่จะเป็นผู้สูบบุหรี่และเพิ่มโอกาสในการเป็นมะเร็งด้วยเวลา) กล่าวคือในแง่ของสาเหตุเชิงต่อต้านเราไม่ได้แสดงให้เห็นอย่างชัดเจนว่า "ถ้าไม่สูบบุหรี่คนเหล่านี้จะไม่ได้รับมะเร็ง" แต่เรามีแสดงให้เห็นว่า "ความสัมพันธ์ระหว่างกลุ่มการสูบบุหรี่และโรคมะเร็งจะไม่เพิ่มขึ้นถ้าเวลาผ่านไป" (เช่นสมาคมไม่ได้ลงไปที่ภาพรวมของผู้ป่วยโรคมะเร็งเพียงการตั้งค่าสำหรับการอยู่ในกลุ่มที่สูบบุหรี่หรือไม่ แต่ stengthened เมื่อเวลาผ่านไป)

นี่เป็นคำถามที่ว่าจะสร้างเวรกรรมได้อย่างไรเพราะเหตุการณ์ที่เกี่ยวข้อง แต่ไม่เกี่ยวกับสาเหตุจะมีความสัมพันธ์ในเวลาหรือสถานที่ ดังนั้นเมื่อดูข้อมูลที่มีความสัมพันธ์กันเราจะทราบได้อย่างไรว่าความสัมพันธ์นั้นขึ้นอยู่กับ? ผู้ให้คำปรึกษาด้านการวิจัยที่ชาญฉลาดเคยบอกฉันว่า "ความสัมพันธ์ไม่ได้บ่งบอกถึงสาเหตุ แต่เพียงบอกให้คุณดูว่าอยู่ที่ไหน"

ลองพิจารณาสถานการณ์ที่เหตุการณ์ A และ B ถูกพบว่ามีความสัมพันธ์ทางโลกหรืออวกาศ หากเราต้องการตรวจสอบคำบุพบทที่A ทำให้ Bแนวความคิดดั้งเดิมคือการแนะนำการทดสอบความจำเป็นและความพอเพียงซึ่งเป็นความหมายเชิงเวรกรรมจริง ๆ

• หากกรณีที่ไม่มีเหตุการณ์นำไปสู่การขาดของเหตุการณ์ Bก็สามารถเรียกความจำเป็น
• ถ้าเพียง แต่ เหตุการณ์ที่นำไปสู่คนเดียวที่จะจัดกิจกรรม Bก็สามารถเรียกว่าเพียงพอ

หากไม่มีนมทำให้ฉันไปที่ร้านสิ่งที่เราพูดไม่ใช่ว่าฉันไปนมเปล่าแล้วขับ สาเหตุที่แท้จริงจะหมายถึงว่าเมื่อใดก็ตามที่ฉันยังมีนมฉันไม่สามารถไปที่ร้านได้ และในทางกลับกันเมื่อใดก็ตามที่ฉันอยู่ที่ร้านก็เป็นเพราะฉันไม่มีนมเลย ตอนนี้มันง่ายที่จะเห็นปัญหาด้วยการสร้างความสัมพันธ์เชิงบวกในแง่ที่เข้มงวด: สิ่งต่าง ๆ ส่วนใหญ่ไม่ใช่สาเหตุอย่างแน่นอน มีเหตุผลอื่นอีกมากมายที่ฉันอาจไปที่ร้านซึ่งไม่เกี่ยวข้องกับนม

นี่เป็นวิธีที่ง่ายในการบอกกระดาษที่ดีจากกระดาษไม่เป็นไร ในการวิจัยอย่างระมัดระวังคุณจะเห็นการทดสอบความพอเพียงและความจำเป็นทุกที่ การอ้างว่ายาโมเลกุลขนาดเล็ก A อาจนำไปสู่การแยกโปรตีนคอมเพล็กซ์ B? คุณจะเห็นการทดสอบทันที:

ความจำเป็น ----test---- ----result---- everything but B --> [nothing] (check for false positive) everything but A --> assembled everything with A-like compound --> assembled (control group)

ความพอเพียง A + B alone (in vitro) --> disassembled (check for false negative) A + B + everything --> disassembled (trial group)

นี่เป็นวิธีการดั้งเดิมที่คุณจะสร้างการโต้แย้งแบบอุปนัยเพื่อการทดลองโดยใช้สหสัมพันธ์ซึ่งเป็นสิ่งที่ฉันมั่นใจว่าอาจารย์ของคุณกำลังหลบหนี!