Причинно следственная связь что это: Причинно-следственная связь | это… Что такое Причинно-следственная связь?

Содержание

Причинное исследование: как обнаружение связей может привести к бизнес-решениям

Подписка на профессиональный тарифный планБесплатная регистрация

Что такое причинное исследование?

Для ответа на этот вопрос мы рассмотрим, для чего нужно причинное исследование, как реализовать его в Ваших исследовательских проектах и несколько примечательных примеров использования причинного исследования для принятия более эффективных бизнес-решений.

Причинное исследование: что это такое и почему это важно

Причинное исследование относятся к категории определяющих исследований, так как оно пытается выявить причинно-следственную связь между двумя переменными. Как и описательное исследование, эта форма исследования служит для доказательства идеи, выдвинутой отдельным лицом или организацией. В то же время оно значительно отличается как по своим методам, так и по назначению. Если описательное исследование охватывает широкую область в попытках лучше определить какое-либо мнение, отношение или поведение, принадлежащее конкретной группе, то причинное исследование имеет только две цели:

Понять, какие переменные представляют собой причину, а какие являются следствием. Приведем такой пример: допустим, городской совет хочет уменьшить количество аварий на улицах. Предварительные описательные и поисковые исследования показывают, что количество аварий и уровень агрессивного поведения на дороге неуклонно растут в течение последних 5 лет. С первого взгляда кажется, что причиной этих аварий является агрессивное поведение, но важно доказать, что это именно так, а не наоборот. Может быть, агрессивное поведение усиливается ввиду большего количества аварий из-за закрытия полос движения и увеличения интенсивности движения. А может быть, оправдывается старая поговорка «корреляция не гарантирует причинность». Возможна, оба эти фактора усиливаются по другой причине, например, из-за строительства, плохого управления движением или притока водителей-новичков.
Определить характер взаимосвязи между причинными переменными и прогнозируемым эффектом. Продолжая наш пример, предположим, городской совет доказал, что агрессивное поведение на дорогах оказывает все большее влияние на количество автомобильных аварий в этом районе. Причинное исследование можно использовать для двух задач. Во-первых, измерить значимость эффекта, например, дать количественную оценку увеличения числа аварий, которые можно приписать агрессивному поведению на дороге. Во-вторых, пронаблюдать за проявлением взаимосвязи между переменными (то есть, агрессивные водители склонны к опасному повышению скорости или рискованному поведению, что приводит к большему количеству аварий).

Эти цели придают причинному исследованию больше научности, чем его поисковым и описательным аналогам. Для достижения этих целей при причинном исследовании необходимо выделить конкретную переменную, которая, по мнению исследователя, отвечает за происходящее, и измерить ее истинную значимость. Имея эту информацию, любая организация может с уверенностью решить, стоит ли использовать переменную, например, установить более эффективные дорожные знаки, или попытаться устранить ее, например, агрессивное поведение на дороге.

Эффективное проведение причинного исследования

Причинное исследование следует рассматривать как экспериментальное. Помните, что предназначение этого исследования — доказать причинно-следственную связь. Учитывая это, очень важно, чтобы параметры и цели были четко распланированы. Если у Вас нет полного понимания плана исследований и того, что Вы пытаетесь доказать, Ваши результаты могут оказаться ненадежными и подверженными множеству систематических ошибок. Попробуйте использовать поисковое или описательное исследование в качестве инструмента для обоснования Вашего плана исследований.

Как только план и цели Вашего исследования будут детализированы, следует правильно подготовить причинный эксперимент. Вот три основных условия, выполнение которых необходимо проверить, прежде чем начинать причинный эксперимент:

Причинно-следственная связь будет доказана или опровергнута экспериментом. Конечно, это может показаться очевидным, но если Вы не позаботитесь о том, чтобы план исследования был напрямую связан с его целью исследования, конечные результаты Вашего исследования будут такими же бесполезными, как и большая часть хлопьев для детей. Чтобы убедиться, что Ваше исследование так или иначе будет иметь результаты, выясните, какое у Вас обычное окружение, а затем увеличьте частоту или мощность причинной переменной.
Четко определите, какие переменные тестируются как независимые (вызывающие эффект), а какие — как зависимые (подвергаемые воздействию). Как мы видели в примере с агрессивным поведением на дороге / автомобильными авариями, во многих случаях трудно сказать, какая переменная зависит от другой. По этой причине крайне важно установить до начала эксперимента, какие из них будут тестироваться. Обычно независимая переменная — это та, которая вносится в окружение.
Скажем, мы предполагаем, что увеличение ассортимента цветов для автомобилей увеличит продажи. В этом случае количество вариантов цвета будет независимой переменной, а уровень продаж — нашей зависимой переменной. Следующим шагом будет измерение обычного уровня продаж в автомобильном магазине, а затем внесение более широкого выбора цветов автомобилей. Измерьте новые объемы продаж, сравните два набора данных и изучите влияние на продажи.
Здесь нет внешних переменных, которые могли бы вызвать изменения в результатах. Без учета всех возможных факторов, которые могут повлиять на изменения зависимой переменной, Вы не можете быть уверены, что именно проверяемая переменная действительно отвечает за измеряемое нами воздействие. В лаборатории ученые могут позволить себе создать абсолютно нейтральное окружение. К сожалению, все остальные должны иметь дело с окружением, которое нам досталось. Поэтому самое важное, что нужно сделать при составлении плана исследования, — обеспечить, чтобы эксперимент проводился в условиях, наиболее похожих на те, которые были при измерении Ваших обычных результатов.
Предположим, например, предположим, что вы владелец магазина мороженого и хотите изучить влияние клоуна, раздающего воздушные шарики перед Вашим магазином, повлияет на продажи. Отличная идея, надо сказать! Однако было бы нецелесообразно взять за обычное окружение летние продажи и проводить эксперимент зимой. Клоуну будет холодно, и к тому же погода будет иметь громадное влияние на продажи мороженого.

Где используется причинное исследование и как я могу включить его в мои бизнес-цели?

В сущности, не имеет значения, какая у Вас организация или какие цели — причинное исследование в любом случае может принести Вам пользу. Цель причинного исследования состоит в том, чтобы доказать, что существуют определенное отношение. С точки зрения компании, если вы хотите убедиться в том, что стратегия будет работать, или уверенно определить источники проблемы, причинное исследование — это верный путь к цели. Давайте рассмотрим несколько примеров реализации причинного исследования для разных задач:

Повышение уровня удержания клиентов. Большинство франчайзинговых сетей проводят эксперименты по причинному исследованию в своих магазинах. В одном случае крупная авторемонтная мастерская недавно провела эксперимент: в отдельных магазинах было введено правило, чтобы сотрудник при осмотре автомобиля общался один на один с клиентом. Ему было дано указание обсуждать любые проблемы и простым языком говорить о неполадках автомобиля, стремясь, чтобы клиент понял проблемы.
Провести этот эксперимент побудили результаты онлайн-опроса, который обнаружил, что отсутствие связи между сотрудником и клиентом мешает клиентам стать постоянными. Выбрав два решения этой проблемы (облегчение обсуждения и улучшение понимания клиента), компания использовала этот эксперимент, чтобы узнать, насколько эффективными будут эти решения для усиления удержания клиентов. При сравнении продаж в контрольных магазинах и в магазинах, участвовавших в эксперименте, было замечено значительное повышение лояльности покупателей.
Инициативы сообщества. Городские власти часто используют причинные исследования для оценки успеха своих общественных инициатив. К примеру, в городе Оттава был проведен опрос, из которого стало ясно, что оттавцы недовольны текущим состоянием общественного транспорта. После этого город может ввести в действие стратегию по созданию большего количества перехватывающих парковок, чтобы большее количество людей могло перемещаться на автобусе. После реализации этой стратегии можно повторно провести этот опрос и узнать, какое влияние она оказала на общую удовлетворенность общественным транспортом.
Эффективная реклама. Реклама принадлежит к секторам, в которых чаще всего используется причинное исследование. Как правило, компании тестируют рекламные кампании в небольших районах, прежде чем распространять их на весь свой рынок. Идея состоит в том, чтобы определить, достаточно ли увеличились продажи, лиды или общественный интерес в тех регионах, где проводилась реклама, прежде чем проводить ее в полном масштабе.
Многие организации продвигают этот эксперимент еще на шаг вперед, спрашивая клиентов, что заставило их посетить сайт компании или пробудило интерес к их услугам. Теперь компания может сравнить ответы клиентов в зоне проведения эксперимента с ответами всей клиентской базы и установить, является ли увеличение трафика прямым результатом рекламы.

Начинайте исследовать!

Обладая новыми знаниями о причинном анализе, Вы научитесь создавать более эффективные планы исследований, которые могут использовать любую деловую возможность.

Узнайте, как SurveyMonkey может удовлетворить Ваше любопытство

Подписка на профессиональный тарифный план

Бесплатная регистрация

Причинно-следственная связь и продуктовые риски

Чтобы стать организацией, ориентированной на продукт, нужно инвестировать в результат — и, как говорится, бинго.

Перевод статьи Cause & Effect and Product Risk

БИЗНЕС

Морис Корнелис Эшер, «Водопад»

Главное — причина и следствие

Принимая решение об инвестировании в продукт, помните: всегда существует вероятность, что ваши инвестиции не дадут желаемых результатов. Одна из категорий такого риска — бизнес-риски, в том числе опасность ошибиться на этапе замысла и создать «неправильный продукт». Управлять подобными рисками позволяет продукт-менеджмент.

Есть две серьезные проблемы, с которыми сталкиваются группы разработчиков, и эти проблемы тесно связаны между собой. Чтобы работать более эффективно, команда должна решить обе: сначала одну, потом другую — порядок продиктован их взаимосвязью.

Первая состоит в том, что команды формируют бэклог, не опираясь на причинно-следственные связи. Команда попросту принимает заказы — «сделать, потому что так сказал кто-то». Это основной антипаттерн, который я обнаруживаю при первой встрече с людьми.

Решить эту проблему можно, если перейти на более эффективный метод управления — от системы «выталкивания» к системе «вытягивания». Мы управляем формированием спроса, чтобы он отвечал возможностям команды. Без этого не обойтись, чтобы избежать проблем в будущем. Но это решение «в лоб», между тем существует более тонкий подход — и он требует усовершенствовать мастерство продукт-менеджмента. Нам надо научиться мыслить причинно-следственными категориями, и это поможет согласовать наши действия.

Сегодня принято называть такой подход нацеленным на результат — в противовес нацеленному на показатели. Чтобы стать организацией, ориентированной на продукт, нужно инвестировать в результат — и, как говорится, бинго.

Уяснить это тонкое различие при решении первой проблемы помогает простое сравнение до и после.

До: Создать X, потому что наш гендир считает, что это важно (привет Ричу Миронову).
После: Создать X, потому что с его помощью мы сможем реализовать преимущество Y.

Создавая продукты, от которых можно ожидать определенных результатов, мы имеем больше шансов на успех. Но разве наш гипотетический генеральный директор не стремится к достижению результата? Разумеется, но каков этот результат? Здесь-то и надо искать корень проблемы, а значит, и ключ к ее решению. Нужно, чтобы каждый понимал, каким образом конкретные инвестиции помогут достичь желаемого результата.

Выявить связь между тем, что мы планируем создать, и причинами, по которым мы решили это сделать, помогают карты влияния (impact maps). Есть и другие техники решения этой проблемы — а решать ее вам придется, но карты влияния я считаю самым изящным методом.

Двигаясь по карте влияния в обратном направлении — справа налево, — мы можем изучить «заказ», который нас попросили взять, и проанализировать свои намерения.

Мы создаем X, чтобы решить проблему A для пользователя B.
Если проблема A будет решена, пользователь B может изменить свое поведение C.
Если поведение C изменится, это приведет к измеримому результату D.
Измеримый результат D — это практическая составляющая преимущества Y.

Когда мы совместно приходим к пониманию того, что «создание X» явным образом связано с «реализацией преимущества Y», мы решаем первую проблему. Карта влияния хороша тем, что мы ставим под сомнение одни связи и исследуем другие, разрабатываем более эффективные планы, переключаемся на более масштабные задачи. При этом члены команды глубже понимают контекст, что повышает вероятность успешной реализации и эффективность стейкхолдер-менеджмента.

Прежде чем мы сможем признать вторую проблему, нужно принять во внимание еще один аспект разработки планов — выявление и устранение рисков. Наш план, даже изложенный четко и грамотно, содержит скрытые риски, которые следует выявить. Скрытые риски содержатся в допущениях и становятся явными, если сформулировать эти допущения как гипотезы.

Мы предполагаем, что создание X решит проблему A для пользователя B.
Мы предполагаем, что решение проблемы A приведет к изменению поведения C.
Мы предполагаем, что изменение поведения C будет способствовать результату D.

Мы используем выражения такого вида, чтобы признать риск, что позволяет нам принимать решения. Одни риски мы исключаем, другие учитываем. А некоторые устраняем. Когда потенциальная ценность слишком высока, чтобы ею пренебречь, а риск слишком велик, чтобы на него идти, мы проводим эксперимент, чтобы устранить неопределенность.

По моему опыту, для этого проще всего сформулировать гипотезу, которую можно проверить. Условия эксперимента, проводимого для защиты от риска, должны включать все неблагоприятные факторы, препятствующие выполнению плана. При этом сами планы бывают комплексными, а их последствия для организации — очень широкими. Наличие четкой структуры, которая дает возможность изолировать соответствующие переменные, и проверка гипотез помогают управлять организацией и понять, как устранить потенциальные риски.

Гипотеза описывает

предполагаемые причину и следствие
Мы полагаем, что [некое событие — «причина»]
приведет к [другому событию — «следствию»]
Визуализируя предположения на карте влияния, я выделяю две категории предположений: одно в пространстве задачи и одно в пространстве решения. Я строю гипотезы о решении и гипотезы о результате. Я регулярно работаю с командами, которые не знакомы с планированием экспериментов, и четкие определения помогают связать эти методы с уже сложившимся у них представлением о своих обязанностях.
Гипотетическое решение в верхней части карты влияния — это высказывание, которое гласит: «Если мы создадим такой продукт, он решит эту задачу и вызовет или сделает возможным желаемое изменение поведения». Причина — это то, что мы хотим создать, следствие — итоговое изменение поведения. В мире измеряемых параметров такое изменение поведения — это опережающий индикатор (ожидаемой выгоды). У нас есть то, что мы можем сделать, и то, что мы можем оценить, чтобы проверить, работает ли наш продукт.
Гипотетический результат в верхней части карты влияния — это высказывание, которое гласит: «Если мы вызовем изменение поведения (лучше, больше, новые виды деятельности и т. д.), мы получим вот такой желаемый результат». В мире измеряемых параметров это запаздывающий индикатор. Теперь у нас есть полный цикл — чтобы оценить влияние продукта, который мы хотим создать.
Такая качественная увязка причины и следствия — первый шаг к определению неявной ценности в вашем плане, второй шаг — это ее количественная оценка.
Наше гипотетическое решение может выглядеть, к примеру, так:
Мы думаем, что, если добавить кнопку «Купить в один клик» на каждую страницу с товаром в нашем мобильном приложении, число заказов от существующих покупателей увеличится.
Говорит ли это о том, что идея удачная? Нет. У нас нет критериев, чтобы понять, оправданы ли затраты на ее реализацию.
[По большому счету обоснованность затрат зависит от цены возможности, а не от расходов на реализацию, но это отдельная тема, обсудим ее в другой раз. Просто поинтересуйтесь, что говорит о цене возможности и цене задержки Дональд Рейнертсен.]
Дело в том, что пока мы не дали количественную оценку результата. Давайте попробуем сделать это.
Мы думаем, что, если добавить кнопку «Купить в один клик» на каждую страницу с товаром в нашем мобильном приложении, число заказов от 30% существующих покупателей увеличится на 1%.
Разговор внезапно принимает другой оборот: вместо «и правда, отличная идея» появляется «каким образом ты получил эти цифры?». Это именно то, к чему мы стремились!
Количественная оценка гипотез накладывает на нас ответственность. Это мощный инструмент, и, когда я прошу людей дать своим высказываниям количественную характеристику, поначалу они всегда испытывают неловкость.
Иногда они чувствуют себя неуютно, потому что боятся наказания: а вдруг руководство спросит с них за то, что они огласили предположительные цифры. [Здесь есть две проблемы — одна организационная, другая связана с оценками и обязательствами.]
Впрочем, есть и другая веская причина для дискомфорта. Чтобы переключиться с объемов на результат, нужно переместить свой локус ответственности из зоны контроля (что вы создаете) в зону влияния (работает это или нет). Гипотезы помогают нам справиться с неопределенностью, присущей такому переключению.
Мотивированные рассуждения —
оставайтесь с нами…
И это приводит нас ко второй проблеме — мы рискуем истолковать результаты в пользу своих гипотез, вместо того чтобы использовать их для объективной оценки. О том, как этого не допустить, мы поговорим в следующий раз.
4 февраля 2019
Оригинал статьи
Scott Sehlhorst
@sehlhorst
Основатель Tyner Blain
Другие статьи
Экспертно-пользовательский анализ интерфейса: как он выглядит и какие числа за ним стоят
Показываем на примере UX-тестирования интернет-магазина канцтоваров, почему важно прорабатывать микросценарии и как их отсутствие влияет на процесс покупки.
Как проектировать интерфейсы профессиональных систем
При разработке профессиональных интерфейсов дизайнеры часто не предусматривают четких сценариев использования — их может быть очень много. Зато пользователи точно будут обучаться.
Книги «Собаки Павловой»
Раздаём три бесплатных книги «Собаки Павловой»: как решать сложные UX-задачи, как писать digital-тексты и как работать над IT-проектами с подрядчиками
Корреляция против причинно-следственной связи | Отличия, конструкции и примеры
Опубликован в 12 июля 2021 г. к Прита Бхандари. Отредактировано 5 декабря 2022 г.
Корреляция означает наличие статистической связи между переменными. Причина означает, что изменение одной переменной вызывает изменение другой переменной.
В исследованиях вы могли встретить фразу «корреляция не подразумевает причинно-следственную связь». Корреляция и причинно-следственная связь — две взаимосвязанные идеи, но понимание их различий поможет вам критически оценивать источники и интерпретировать научные исследования.
Содержание
В чем разница?
Почему корреляция не означает причинно-следственную связь?
Корреляционное исследование

Проблема третьей переменной
Регрессия к среднему
Ложные корреляции
Проблема направленности
Каузальное исследование
Часто задаваемые вопросы о корреляции и причинно-следственной связи
6
Какая разница?
Корреляция описывает связь между типами переменных: когда одна переменная изменяется, меняется и другая. Корреляция — это статистический показатель взаимосвязи между переменными. Эти переменные изменяются вместе: они коварины. Но эта ковариация не обязательно связана с прямой или косвенной причинно-следственной связью.
Причина означает, что изменения в одной переменной вызывают изменения в другой; между переменными существует причинно-следственная связь. Эти две переменные коррелируют друг с другом, и между ними также существует причинно-следственная связь.
Корреляция не подразумевает причинно-следственную связь, но причинно-следственная связь всегда подразумевает корреляцию.
Почему корреляция не означает причинно-следственную связь?
Есть две основные причины, по которым корреляция не является причинно-следственной связью. Эти проблемы важно выявить, чтобы сделать обоснованные научные выводы из исследований.
Проблема с третьей переменной означает, что смешанная переменная влияет на обе переменные, делая их причинно связанными, когда это не так. Например, продажи мороженого и уровень насильственных преступлений тесно связаны, но не связаны друг с другом причинно-следственной связью. Вместо этого высокая температура, третья переменная, влияет на обе переменные по отдельности. Неспособность учесть третьи переменные может привести к тому, что в вашу работу вкрадется исследовательская предвзятость.
Проблема направленности возникает, когда две переменные коррелируют и могут фактически иметь причинно-следственную связь, но невозможно сделать вывод, какая переменная вызывает изменения в другой. Например, уровень витамина D коррелирует с депрессией, но неясно, вызывает ли низкий уровень витамина D депрессию или депрессия вызывает снижение потребления витамина D.

Вам нужно будет использовать соответствующий план исследования, чтобы различать корреляционные и причинно-следственные связи:
Корреляционные исследования могут демонстрировать только корреляционные связи между переменными.
Экспериментальные проекты могут проверить причинно-следственную связь.
Предотвратите плагиат, запустите бесплатную проверку.
Попробуй бесплатно
Корреляционные исследования
В корреляционном исследовании вы собираете данные о своих переменных, не манипулируя ими.
Пример: корреляционное исследование. Вы собираете данные опроса, чтобы выяснить, существует ли связь между уровнями физической активности и самооценкой. Вы спрашиваете участников об их текущем уровне физической активности и измеряете их самооценку с помощью опросника.
Вы обнаружили, что уровень физической активности положительно коррелирует с самооценкой: более низкие уровни физической активности связаны с более низкой самооценкой, в то время как более высокие уровни физической активности связаны с более высокой самооценкой.
Корреляционные исследования обычно отличаются высокой внешней валидностью, поэтому вы можете обобщить свои выводы на реальные условия жизни. Но эти исследования имеют низкую внутреннюю валидность, что затрудняет причинно-следственную связь изменений одной переменной с изменениями другой.
Эти исследовательские планы обычно используются, когда проводить контролируемые эксперименты неэтично, слишком дорого или слишком сложно. Они также используются для изучения отношений, которые, как ожидается, не будут причинно-следственными.

Пример: корреляционное исследование. Чтобы выяснить, связано ли использование агрессивных медиа с агрессией, вы собираете данные об использовании детьми видеоигр и их поведенческих тенденциях. Вы просите родителей сообщить, сколько часов в неделю их ребенок проводит за жестокими видеоиграми, и вы опрашиваете родителей и учителей о поведении детей.
Вы обнаружите положительную корреляцию между переменными: дети, которые проводят больше времени, играя в жестокие видеоигры, имеют более высокие показатели агрессивного поведения.
Задача с третьей переменной
Без контролируемых экспериментов трудно сказать, вызвала ли интересующая вас переменная изменения в другой переменной. Посторонние переменные — это любая третья переменная или пропущенная переменная, кроме интересующих вас переменных, которые могут повлиять на ваши результаты.

Ограниченный контроль в корреляционных исследованиях означает, что посторонние или смешанные переменные служат альтернативными объяснениями результатов. Вмешивающиеся переменные могут создать впечатление, что корреляционная связь является причинно-следственной, хотя это не так.
Пример: посторонние и смешанные переменные. В вашем исследовании жестоких видеоигр и агрессии родительское внимание является смешанной переменной, которая может влиять на то, как часто дети используют жестокие видеоигры, и на их поведенческие тенденции. Низкое родительское внимание может привести к жестокому использованию видеоигр и агрессивному поведению у детей.
Но это не то, что вы контролируете, поэтому вы можете сделать вывод только о корреляции между вашими основными переменными.
Когда две переменные коррелированы, все, что вы можете сказать, это то, что изменения в одной переменной происходят одновременно с изменениями в другой.

Регрессия к среднему
Регрессия к среднему значению наблюдается, когда переменные, которые значительно выше или ниже среднего при первом измерении, приближаются к среднему значению при втором измерении. В частности, в исследованиях, которые намеренно сосредоточены на наиболее экстремальных случаях или событиях, RTM всегда следует рассматривать как возможную причину наблюдаемого изменения.
Пример: регрессия к среднему. Регрессия к среднему может объяснить так называемое «проклятие Sports Illustrated ». Эта городская легенда утверждает, что спортсмены или команды, которые появляются на обложке спортивного журнала, плохо выступят в следующей игре.
Игроки или команды, представленные на обложке SI , заслужили свое место, выступив исключительно хорошо. Но спортивный успех — это сочетание мастерства и удачи, и даже лучшие игроки не всегда побеждают.

Скорее всего, удача не будет длиться бесконечно, как и исключительный успех.
Другими словами, из-за RTM за отличным исполнением с большей вероятностью последует посредственное, чем за другим великолепным, создавая впечатление, что появление на обложке приносит несчастье.
Ложные корреляции
Ложная корреляция — это когда две переменные кажутся связанными через скрытые третьи переменные или просто по совпадению.
Пример: Ложная корреляция В Германии и Дании статистические данные показывают четкую положительную корреляцию между популяцией аистов и коэффициентом рождаемости за несколько десятилетий. Поскольку популяция аистов колеблется, меняется и количество новорожденных. Как вы объясняете эту закономерность?
Теория аиста устанавливает простую причинно-следственную связь между переменными, чтобы доказать, что аисты физически рожают детей. Это сатирическое исследование показывает, почему нельзя установить причинно-следственную связь только на основе корреляционного исследования.

На самом деле корреляция может быть объяснена третьими переменными (такими как погодные условия, изменения окружающей среды и т. д.), которые вызвали увеличение популяций как аистов, так и людей, или связь может быть чисто случайной.
При анализе корреляций в большом наборе данных со многими переменными шансы найти хотя бы один статистически значимый результат высоки. В этом случае вы, скорее всего, совершите ошибку первого рода. Это означает ошибочный вывод о наличии истинной корреляции между переменными в генеральной совокупности на основе искаженных выборочных данных.
Проблема направленности
Чтобы продемонстрировать причинно-следственную связь, вам нужно показать направленную связь без альтернативных объяснений. Эта связь может быть однонаправленной, когда одна переменная влияет на другую, или двунаправленной, когда обе переменные влияют друг на друга.
Корреляционный план не сможет различить ни одну из этих возможностей, но экспериментальный план может проверить каждое возможное направление по одному.
Пример: проблема направленности Переменные физической активности и самооценки могут быть причинно связаны тремя способами:
Физическая активность может повлиять на самооценку
Самооценка может влиять на физическую активность
Физическая активность и самооценка могут влиять друг на друга
В корреляционных исследованиях направленность взаимосвязи неясна, поскольку исследовательский контроль ограничен.
Вы рискуете сделать вывод об обратной причинно-следственной связи, неправильном направлении отношений.
Причинное исследование
Причинно-следственные связи между переменными могут быть достоверно продемонстрированы только в контролируемых экспериментах. Эксперименты проверяют формальные предсказания, называемые гипотезами, для установления причинно-следственной связи в одном направлении за раз.
Эксперименты обладают высокой внутренней достоверностью, поэтому причинно-следственные связи могут быть продемонстрированы с достаточной степенью уверенности.
Вы можете установить направленность в одном направлении, потому что вы манипулируете независимой переменной перед измерением изменения зависимой переменной.
Пример: проверка направленности в экспериментальном плане. Вы считаете, что уровень физической активности влияет на самооценку, поэтому проверяете эту гипотезу в эксперименте. Вы применяете вмешательство физической активности и измеряете изменения в самооценке. Чтобы установить направленность, ваше вмешательство в физическую активность должно предшествовать любому наблюдаемому изменению самооценки.
Чтобы проверить, является ли эта связь двунаправленной, вам нужно разработать новый эксперимент, оценивающий, может ли самооценка влиять на уровень физической активности.
В контролируемом эксперименте вы также можете исключить влияние третьих переменных, используя случайное назначение и контрольные группы.
Случайное распределение помогает равномерно распределить характеристики участников между группами, чтобы они были похожи и сопоставимы. Контрольная группа позволяет сравнить экспериментальную манипуляцию с аналогичным лечением или отсутствием лечения (или с плацебо, чтобы контролировать эффект плацебо).
Пример: контроль третьих переменных в плане эксперимента. Вы случайным образом помещаете каждого участника в контрольную или экспериментальную группу. Случайное назначение устраняет влияние третьих переменных характеристик участников, таких как возраст или состояние психического здоровья, которые могут повлиять на ваши результаты.
Контрольная группа получает несвязанное, сопоставимое вмешательство, в то время как экспериментальная группа получает вмешательство физической активности. Если все переменные между группами остаются постоянными, за исключением вашей обработки независимой переменной, любые различия между группами можно отнести к вашему вмешательству.
Часто задаваемые вопросы о корреляции и причинно-следственной связи
Что такое корреляция?
Корреляция отражает силу и/или направление связи между двумя или более переменными.
Положительная корреляция означает, что обе переменные изменяются в одном направлении.
A отрицательная корреляция означает, что переменные изменяются в противоположных направлениях.
нулевая корреляция означает отсутствие связи между переменными.
В чем разница между корреляцией и причинно-следственной связью?
Корреляция описывает связь между переменными: когда одна переменная изменяется, меняется и другая. Корреляция — это статистический показатель взаимосвязи между переменными.
Причина означает, что изменения в одной переменной вызывают изменения в другой; между переменными существует причинно-следственная связь. Две переменные коррелируют друг с другом, и между ними также существует причинно-следственная связь.
Почему корреляция не подразумевает причинно-следственную связь?
org/Answer»>
Проблема третьей переменной и направленности — две основные причины, по которым корреляция не является причинно-следственной.
Проблема с третьей переменной означает, что смешанная переменная влияет на обе переменные, заставляя их казаться причинно связанными, хотя на самом деле это не так.
Проблема направленности возникает, когда две переменные коррелируют и могут фактически иметь причинно-следственную связь, но невозможно сделать вывод, какая переменная вызывает изменения в другой.
В чем разница между корреляционным и экспериментальным исследованием?
Контролируемые эксперименты устанавливают причинно-следственную связь, тогда как корреляционные исследования показывают только связи между переменными.
В экспериментальном плане вы манипулируете независимой переменной и измеряете ее влияние на зависимую переменную. Другие переменные контролируются, поэтому они не могут повлиять на результаты.
В корреляционном плане вы измеряете переменные, не манипулируя ни одной из них. Вы можете проверить, изменяются ли ваши переменные вместе, но вы не можете быть уверены, что одна переменная вызвала изменение другой.
В целом корреляционное исследование имеет высокую внешнюю достоверность, в то время как экспериментальное исследование имеет высокую внутреннюю достоверность.
Процитировать эту статью Scribbr
Если вы хотите процитировать этот источник, вы можете скопировать и вставить цитату или нажать кнопку «Цитировать эту статью Scribbr», чтобы автоматически добавить цитату в наш бесплатный генератор цитирования.
Бхандари, П. (2022, 05 декабря). Корреляция против причинно-следственной связи | Отличия, конструкции и примеры. Скриббр. Проверено 21 декабря 2022 г., из https://www.scribbr.com/methodology/correlation-vs-causation/
Процитировать эту статью
Полезна ли эта статья?
Вы уже проголосовали. Спасибо 🙂 Ваш голос сохранен 🙂 Обработка вашего голоса…
Прита имеет академическое образование в области английского языка, психологии и когнитивной нейробиологии. Как междисциплинарный исследователь, она любит писать статьи, объясняющие сложные исследовательские концепции для студентов и ученых.
Определение
в кембриджском словаре английского языка
Примеры из литературы
Причины. О причинах схваток написано очень много, как ранними ветеринарами, так и современными.
Точно так же, если слово «сила» иногда используется для удобства анализа причинно-следственной связи, оно означает не что иное, как нечто во времени и пространстве, само движущееся или стремящееся двигаться, или препятствующее или ускоряющее другие вещи.
Причинность материальных изменений в жидкой сфере фактически была бы всем, чего эти три вида эфира могли достичь вместе.
Это сразу наводит на мысль о двух основных факторах их причинности, а именно о сотрясении мозга и потере нормальной функции.
Это очень важное правило в научном исследовании, поскольку оно позволяет обнаружить наличие причинно-следственной связи.
Примеры причинно-следственной связи
причинно-следственная связь
Я говорю кажется, потому что опрос без контрольных групп не может доказать ничего даже близкого к 9. 0098 причинно-следственная связь .
Из Атлантики