Причинно-следственная связь — Психологос
01 октября 2022 г., 21:42
Причинно-следственная связь — связь между явлениями, при которой одно явление, называемое причиной, при наличии определенных условий порождает другое явление, называемое следствием.
Если собаке давали мясо одновременно с включением лампочки, то через несколько повторений выделение слюны у собаки начиналось не только на само мясо, но и на включение лампочки. Образовался условный рефлекс. Повторение совпадений двух раздражителей — причина, рефлекс — следствие.
Корреляция или причинно-следственная связь
Частая ошибка — в корреляции разглядеть причинно-следственную связь.
Наибольшая продолжительность жизни отмечается в регионах Шотландии с наименьшей плотностью населения и самым низким уровнем безработицы. В США продолжительность жизни коррелирует с уровнем дохода (жизнь бедняков и людей невысокого социоэкономического статуса чаще обрывается преждевременно).
В современной Великобритании профессиональный статус коррелирует с продолжительностью жизни. Согласно результатам исследования, проводившегося в течение 10 лет с участием 17 350 государственных служащих Великобритании, количество смертей среди работников управленческого аппарата в 1,6 раза больше, а среди конторских служащих и рабочих — соответственно в 2,2 и 2,7 раза больше, чем среди управленцев высшего звена (Adler et al., 1993, 1994). Складывается впечатление, что в разное время и в разных географических точках между статусом и здоровьем существует вполне определенная взаимозависимость.
Приведенный выше пример взаимосвязи статуса и продолжительности жизни иллюстрирует наиболее распространенную как среди любителей, так и среди профессионалов ошибку мышления: когда два фактора «идут рука об руку», как статус и состояние здоровья, трудно не поддаться искушению и не сделать вывод о том, что один является причиной другого. Можно предположить, что статус каким-то образом защищает человека от того, что может причинить вред его здоровью.
Факт: те дети, которых родители часто били, обычно хуже учатся и чаще демонстрируют асоциальное поведение. Значит ли, что одно следует из другого? Совершенно не очевидно. Скорее, и жестокие наказания детей, и плохая учеба вместе с асоциальным поведением — следствие того, что это дети росли в неблагополучных семьях.
Факт: дети с развитым чувством собственного достоинства обычно учатся лучше, чем дети с низким самоуважением. Значит ли это, что чувство собственного достоинства является причиной, а хорошая успеваемость — следствием? Нет, корреляция здесь еще ничего не говорит о том, что является причиной, а что — следствием.
- Научность
Комментарии (9):
Анатолий Сальск, 02 октября 2015 г., 07:21
Считаю, что материал весьма и весьма полезный, так как позволит мне правильно оценить многие ситуации в прошлом. Спасибо за подборку!
Гость, 12 марта 2018 г., 14:12
Благодарю за полезную информацию!
Гость, 25 января 2020 г., 15:15
В моем понимании, выше социальная статус, значит выше доходы, значит лучше медобслужиыие, значит дольше СРЕДНЕСТАТИСТИЧЕСКАЯ продолжительность жить. Чётко отслеживается, причинно-следственная связь. Я не говорю про частные случаи. Чем масштабные сравнение, тем точнее результат. ИМХО.
1
ответ
Гость, 20 июня 2021 г., 02:21
Социальный статус — это не материальные блага.
Гость, 01 февраля 2020 г., 23:19
Наверно тут соглашусь с Богом. Не судите. Человек — это соотношение миллионов факторов случившихся в его жизни проектирование их на себя.
Кроме того индивидуальный код днк, который в вкупе с факторами влияния на этого человека, даст бесконечное множество разнообразных поведенческих характеристик и действий. Тут надо учитывать множество параметров, в одних только генах прописано только миллиарды предрасположенностей, помножте на внешние факторы развития и получите астрономическую цифру из которой и состоит отдельный человек. Как его судить, если он грешен, да, но уже в днк у него было прописано малодушие и слабая сила воли. Это все подкрепилось внешними факторами из наблюдениями из жизни и вуаля — плохой человек. Человек, изначально кишмиш, кому что досталось. Выглядит как оправдание бессильности, но так оно и есть, бесхарактерный в виду своей предрасположенности и генам не может быть сильным, а сильный наоборот, не вникая откуда в нем есть то, что есть обвиняет слабого в том, что он такой слабый духом и говорит, как же так можно, фу будь сильным. Не понимает, что та сила которая у него есть, и которую он считает по праву своим достижением, уже изначально была у него, в виду кода днк и ряда последующих и воздействующих на него обстоятельств.
1
ответ
Гость, 16 октября 2021 г., 20:25
Вы правы, судить может только Бог. Потому что он, как Создатель, знает индивидуальный код ДНК каждого человека. И, как живой Бог, наблюдающий за всеми, он знает и все факторы влияния на человека. Но также Бог очень хорошо знает, что у каждого человека есть разум, совесть и свобода выбора, потому что он сам таким создал человека. Бог очень хочет, чтобы люди воспользовались разумом и совестью и поняли, что у них есть Создатель, который очень хочет помочь им стать не только сильными, но и порядочными людьми. Бог никого не списывает со счетов, ему дорог каждый, ведь он — его Создатель. В Библии рассказывается о царе Манассии. По сегодняшним меркам ему дали бы несколько пожизненных. Но он раскаялся перед Богом, умолял его о прощении. Это было искреннее раскаяние, ведь Бога обмануть нельзя. И Бог простил его и помог ему изменить свою жизнь. После этого Манассия помог своему внуку стать замечательным человеком.
Любой может стать хорошим человеком, если слушается Бога.
1
ответ
Гость, 22 апреля 2022 г., 19:45
Цель всех религий (секты не в счёт) — избавить от инстинктов (очеловечить человека).
Гость, 20 февраля 2020 г., 09:31
Классический условный рефлекс — это пример сигнально-следственной, а не причинно-следственной связи.
Гость, 16 декабря 2020 г., 03:28
А дети-мажоры, и учатся хорошо, и не демонстрируют асоциальное поведение?
Материалы по теме:
01 окт. 2022 г.
Корреляция
0Подробнее
01 окт. 2022 г.
Результат
Результат — конечный итог, объективные последствия наших намерений, решений и действий.
0Подробнее
в чем разница? — Соцсети на vc.ru
Я люблю данные, и мне нравится их изучать. Поэтому специально для digital-агентства «Интериум» я перевел статью emplifi. io о различии между корреляцией и причинно-следственной связью.
Анализируя, например, данные из соцсетей, и, спутав корреляцию и причинно-следственную связь в действиях пользователей или развитии трендов, можно прийти не к тем выводам. Давайте разберёмся, а в конце небольшой пример из нашей практики.
1173 просмотров
Существует немало статей, в которых содержатся дикие, часто насмешливые выводы, полученные в результате двух сильно коррелирующих наборов данных. Например, Harvard Business Review однажды рассмотрел примеры, показывающие «возможность» того, что:
Тратя больше денег на просмотр спортивных матчей, вы снижаете вероятность употребления кукурузного сиропа с высоким содержанием фруктозы.
Чем больше продано iPhone, тем больше людей погибнет, упав с лестницы.
Это крайние примеры. Корреляция не обязательно подразумевает причинно-следственную связь, и эти примеры показывают опасность непонимания разницы между корреляцией и причинно-следственной связью в реальном мире.
В этих случаях требуется дополнительная проверка, прежде чем корреляцию можно будет квалифицировать как причинно-следственную связь.
В чем разница между корреляцией и причинностью?
Начнем с основ. Каково определение причинно-следственной связи по сравнению с корреляцией?
Что такое корреляция?
Австралийское бюро статистики дает отличное определение корреляции:
«[Это] статистическая мера (выраженная в виде числа), которая описывает размер и направление взаимосвязи между двумя или более переменными».
Другими словами, изменение одной переменной обычно отражается положительным или отрицательным изменением другой.
Какие существуют типы корреляций?
Положительная корреляция: переменные A и B движутся в одном направлении. Например, по мере увеличения переменной A растет и B.
Отрицательная корреляция: переменные A и B движутся в противоположных направлениях. Например, когда переменная A увеличивается, B уменьшается.
- Нет корреляции: нет очевидной связи между переменными A и B.
Положительная корреляция, отрицательная и её отсутствие
Сила линейной связи между двумя переменными, также называемая коэффициентом корреляции, может варьироваться от -1 (отрицательная корреляция) до 1 (положительная корреляция). Чем ближе коэффициент корреляции к -1 или 1, тем сильнее связь. А коэффициент, равный 0, указывает на отсутствие корреляции между двумя переменными.
Однако корреляция не обязательно означает, что переменные обязательно связаны. Это подводит нас к причинно-следственной связи…
Что такое причинно-следственная связь?
Австралийское статистическое бюро определяет причинно-следственную связь следующим образом:
«…одно событие является результатом возникновения другого события, т. е. существует причинно-следственная связь между двумя событиями. Это также называется причиной и следствием».
Другими словами, действительно ли одна переменная влияет на другую?
Примеры причинно-следственной связи и корреляции
Есть такой развлекательный ресурс Spurious Correlations, который делится примерами, демонстрирующими тесную взаимосвязь между переменными, которые не вызваны одна другой. По крайней мере, этих взаимосвязей быть не должно.
Показательный пример: употребление маргарина влияет на количество разводов в американском штате Мэн?
Диаграмма, показывающая сильную корреляцию между уровнем разводов в штате Мэн и потреблением маргарина. Источник: tylervigen.com
Продолжая примеры с едой, может ли сыр быть секретным топливом, которое питает инженеров-строителей в их исследованиях?
Диаграмма, показывающая сильную корреляцию между потреблением сыра моцарелла и количеством присужденных докторских степеней в области гражданского строительства. Источник: tylervigen.com
Обе диаграммы показывают сильную корреляцию между зависимыми и независимыми переменными.
Однако это, вероятно, классические случаи, когда «корреляция не подразумевает причинно-следственной связи». Если, конечно, маргарин действительно не является щекотливой темой для пар в штате Мэн или появились новаторские эффекты употребления большого количества сыра.
Почему важно знать разницу между корреляцией и причинно-следственной связью?
Приведенные выше примеры корреляции и причинно-следственной связи показывают, что правильное понимание разницы имеет решающее значение.
Авинаш Кошик, евангелист цифрового маркетинга в Google, в 2016 году писал о том, что непонимание разницы может быть очень проблематичным. Кошик обратил внимание на статью The Economist, в которой утверждалось, что употребление большего количества мороженого может повысить баллы учащихся по шкале чтения PISA.
«Для нормальных людей (не аналитиков) эти график и статья выглядят правдоподобно. В конце концов, это уважаемый сайт и уважаемая команда. О, и посмотрите, есть красная линия, что-то похожее на правдоподобное распределение и R-квадрат!»
Авинаш Кошик
Но Кошик хочет, чтобы мы больше думали об имеющихся данных и не принимали вещи за чистую монету.
Он указывает, что нет ничего, что могло бы обосновать причинность того и другого, несмотря на разумную корреляцию. Может показаться, что существует связь, связывающая IQ с потреблением мороженого. Тем не менее, данные не раскрывают ничего, кроме этой очевидной корреляции.
Смелые заявления
В нашей повседневной жизни мы сегодня имеем доступ к большему количеству данных, чем когда-либо прежде. Решения, мнения и даже бизнес-стратегии могут зависеть от нашей способности различать их.
Кошик использует приведенный выше пример, чтобы напомнить людям о необходимости более скептически относиться к утверждениям, которые делают смелые выводы на основе коррелирующих данных. Он призывает читателей смотреть глубже и избегать простых решений.
«Наша работа состоит в том, чтобы быть скептичными, копать и понимать, тыкать и подталкивать, и отвергать возмутительно неправильное, а если оно не является возмутительно неправильным, то выяснить, насколько оно может быть правильным, чтобы вы могли дать обоснованную рекомендацию»
Авинаш Кошик
Причинно-следственная связь и корреляция также являются темой, которую Майкл Молнар исследует в статье Forbes.
«Путаница корреляции с причинно-следственной связью не является скрытой проблемой, но она становится все более проблематичной по мере увеличения объема данных и повышения мощности компьютеров… она затрагивает суть того, что мы знаем — или думаем, что знаем — о том, как устроен мир».
Майкл Молнар
Может быть трудно установить причинно-следственную связь между двумя переменными. Часто необходимы рандомизированные контролируемые опыты и другие статистические тесты, чтобы проверить, действительно ли одна переменная влияет на другую. Более того, хотя корреляции могут быть полезными показателями, они имеют ограничения. Как мы увидели в приведенных выше примерах корреляции и причинно-следственной связи, это обычно связано с измерением линейной зависимости.
Правильная корреляция и причинно-следственная связь
В сегодняшнем мире, управляемом данными, важно более скептически относиться к конкретным выводам, прежде чем делать смелые заявления, предлагает Кошик.
Как мы можем это сделать? Дальнейшее исследование и, по возможности, дополнительное тестирование.
Внешние факторы (называемые «вмешивающимися факторами» или «скрытыми переменными») иногда могут влиять на одну или две переменные в изучаемой нами корреляции. Например, некоторые исследования обнаружили связь между потреблением кофе и риском развития рака легких. Однако было обнаружено, что «курение» может быть потенциальной искажающей переменной в результатах, как показывает один метаанализ этих результатов. Как уже упоминалось, как и в случае с другими ключевыми выводами, дальнейшие исследования могут помочь прояснить контекст, лежащий в основе корреляций.
Проверка на причинно-следственную связь является сложной задачей. Тем не менее, тут может помочь экспериментальный дизайн. Здесь исследователь может проверить гипотезу таким образом, что он может контролировать одну переменную (независимую переменную) и измерять ее влияние на другую переменную (зависимую переменную). Самое главное, это может помочь им контролировать возможные помехи, чтобы избежать потенциальной систематической ошибки в их результатах.
У нас в «Интериум» был случай, когда мы собрали статистику по отзывам на филиалы одной организации на Яндекс.Картах. Обнаружилась сильная корреляция между рейтингом по 5-балльной шкале и количеством отзывов: чем их больше, тем хуже рейтинг у филиала. Любопытно, но лучше перепроверить связь иными способами. После обсуждения ситуации с клиентом, подробного изучения текстов отзывов и принятия во внимание специфики отрасли (это была социальная сфера), стало понятно, что причинно-следственная связь всё же есть. Это не та сфера, где люди будут часто рассказывать о позитивном опыте, зато с большой вероятность пойдут в интернет жаловаться. Для некоторых это единственный доступный механизм воздействия.
Подытоживая можно сказать, что при работе с социальным сетями и данными из них, наткнувшись на любопытную корреляцию в поведении пользователей или распространении инфоповода, всегда стоит остановиться на минуточку и подумать, а есть ли тут связь? И стоит ли принимать решение о, например, активации коммуникации в этом ключе и привлечении именно этой ЦА, или все же взаимосвязь была иллюзией?
Causal: Платформа бизнес-планирования
Мы привлекли 20 млн долларов США серии A под руководством Coatue + Accel! Нажмите здесь, чтобы прочитать объявление.
Спасибо! Ваша заявка принята!
Ой! Что-то пошло не так при отправке формы.
Посмотреть демонстрацию
Гибкое моделирование
Хватит возиться со ссылками на ячейки и неверными формулами.
Все, что вы можете делать в Excel, вы можете делать и в Causal, используя в 10–100 раз меньше формул. Чем меньше формул, тем меньше ошибок, а наш естественный язык формул позволяет вашей команде проверять модели за считанные секунды.
ПЛАНИРОВАНИЕ СЦЕНАРИЙ
Запуск сценариев «что, если» в режиме реального времени.
Настройка неограниченного количества сценариев на основе драйверов, автоматически управляемых Causal. Для неуверенных драйверов используйте диапазоны («от 5 % до 10 %) и просмотрите весь диапазон возможных результатов.
Любимый людьми по всему миру
Послушайте, что наши пользователи говорят о Causal
Если вы когда-нибудь занимались моделированием/прогнозированием — я серьезно не могу рекомендовать @CausalHQ достаточно.
Это такой отличный продукт.
Объединение вероятностных моделей с @CausalHQ чертовски футуристично.
Вчера вечером я писал спецификацию проекта. CAC против цены и коэффициента конверсии — причинно-следственные связи.
В течение 45 м я детально изучал сценарии, опираясь на данные.
Самая безумная часть? Он встраивается в Notion 🤯
Да, я построил МНОГО финансовых моделей в свое время, и @CausalHQ просто упростил создание одной с нуля. НАМНОГО проще, чем мои электронные таблицы. Я одержим!
Играл с @CausalHQ в течение последнего часа или около того, и я очень впечатлен простотой, но продуманностью функций и взаимодействий. Отличная работа!
Я использовал @CausalHQ в течение последних двух недель, чтобы перестроить нашу финансовую модель, и это такой глоток свежего воздуха по сравнению с хрупкими статическими моделями, которые я в итоге создал в Excel/Таблицах.
Подготовка финансовой модели для Daybridge в @CausalHQ, и я должен сказать, что это феноменальная программа с огромным потенциалом.
Волшебно наблюдать, как вещи перезагружаются в режиме реального времени. Мне нужно знать их технологический стек!
Нужно построить модель? Этот продукт потрясающий.
👊👊 @CausalHQ
На демо с @CausalHQ через @makerpad
Это меняет правила игры в моделировании. Финансовые директора и менеджеры по проектам будут грызть бит, чтобы заполучить его.
👏
Я немного увлекаюсь электронными таблицами и построением моделей, и я был очень впечатлен @CausalHQ. Среди прочего, я думаю, мы перестроим динамическую версию нашего калькулятора безубыточности основателя. Должно быть весело.
Людям, которые любят математику и не умеют кодировать, стоит попробовать @CausalHQ. Я чувствую себя специалистом по данным, использующим его, хотя на самом деле я не специалист по данным и не ученый.
Если вы еще не проверили @CausalHQ, это невероятный способ создавать обновляемые в реальном времени прогнозы с помощью встроенных инструментов для моделирования неопределенности
Одно из моих любимых веб-приложений: http://causal.
app
Quickly легко создавать финансовые модели + автоматически создавать динамические презентации на основе этих моделей. Блестящая работа @CausalHQ
настоятельно рекомендует @CausalHQ для интерактивного финансового моделирования. для любого моделирования.
глоток свежего воздуха от попыток сделать эти вещи в Excel
, если вы используете электронные таблицы, вы должны вместо этого использовать @causalhq. не играй сам!
Превратите свою финансовую команду в настоящего делового партнера.
Мы помогли сотням компаний оптимизировать процессы планирования и анализа. Мы хотели бы сделать то же самое для вас.
Заказать демонстрацию
Templates – Causal
Мы привлекли 20 млн долларов США серии А под руководством Coatue + Accel! Нажмите здесь, чтобы прочитать объявление.
ШАБЛОНЫ
КАТЕГОРИИ
Личные финансы
VTI Hedging
Mitigate the downside risk with put options
Finance
VC model
A Venture Fund model
Finance
VC model
A Seed Fund model for VC Funds
Финансы
Модель венчурного капитала
Модель прогнозирования для венчурного фонда
Финансы
Калькулятор текущей ликвидности при запуске
Жидкая компенсация, которую вы могли бы выплатить своей команде
Финансы
Финансовая модель SaaS
Простая финансовая модель для бизнеса по модели «программное обеспечение как услуга» (SaaS).
Финансы
Модель Indie.vc
Indie.vc — это программа, предназначенная для финансирования и поддержки основателей на пути к прибыльности.
Разное
Модель медицинского страхования
Выбор поставщика медицинских услуг
Личные финансы
Калькуляторы компенсации FAANG
Серия калькуляторов для инженеров FAANG, чтобы помочь людям понять предложения
Личные финансы
Майнинг ETH
Является ли майнинг эфириума прибыльным?
Personal Finance
Currency Hedging
Using options to hedge your currency risk
Miscellaneous
COVID forecast
Forecast US Covid cases
Finance
Convertible notes model
Право собственности инвестора после конвертации и ожидаемая внутренняя норма доходности после выхода из проекта
Компания
Пакет стартапов Causal
Коллекция настраиваемых моделей, которые помогут вам управлять вашей компанией.
Личные финансы
Покупка против аренды
Что купить дом или арендовать?
Личные финансы
Распределение активов
Моделирование распределения активов с помощью акций, облигаций и криптовалюты
Компания
Стартовый пакет Causal
Коллекция настраиваемых моделей, которые помогут вам управлять вашей компанией.
Finance
VC model
A Venture Fund model
Finance
VC model
A Seed Fund model for VC Funds
Finance
VC Model
A forecasting model for a Venture Капитальный фонд
Финансы
Калькулятор текущей ликвидности при запуске
Жидкая компенсация, которую вы могли бы выплатить своей команде
Финансы
Финансовая модель SaaS
Простая финансовая модель для бизнеса «программное обеспечение как услуга» (SaaS).
