Причинно следственные связи примеры: 1. Понятие о причинно-следственных связях. Логика: конспект лекций

Содержание

1. Понятие о причинно-следственных связях. Логика: конспект лекций

1. Понятие о причинно-следственных связях

Перед тем как рассматривать непосредственно методы установления причинно-следственных связей, необходимо уяснить себе понятие причины и следствия.

Причиной называют такое явление, процесс или предмет, который уже в силу своего существования вызывает определенные изменения окружающего мира. Причина характеризуется тем, что всегда предшествует результату. Она лежит как бы в основе последствия. Так, ни одно следствие невозможно представить себе без причины, ведь последняя является своего рода отправной точкой. Приведем пример: «Ударила молния — лес загорелся». Очевидно, что здесь причиной является молния, если именно она спровоцировала пожар. Без такой причины следствия быть не могло. Конечно, можно говорить о том, что пожар мог начаться в результате поджога, однако в таком случае причиной стал бы поджог.

Следствие — это то, что влечет за собой причина; оно всегда вторично и зависимо, определяемо ей. Именно на таком соотношении причины и следствия построен профессиональный процесс многих людей. Пожарные, спасатели, сотрудники правоохранительных органов, прежде чем приступить к работе, вначале ищут причину. Например, пожарные приступают к тушению пожара, только когда более-менее ясно, от чего возник пожар и где. В противном случае риск для жизни повысился бы в несколько раз. Конечно, окончательно причина возгорания, будь то поджег, неисправность электропроводки или неосторожное обращение с огнем, становится ясна только по окончании тушения, но первоначально она должна быть определена хотя бы примерно.


Работник правоохранительных органов, выезжая на место происшествия, первым делом определяет причины этого происшествия. Если поступил сигнал об убийстве, необходимо проверить, является ли происшедшее на самом деле преступлением.

То есть определяется причина смерти. При этом отсеиваются версии о самоубийстве, несчастном случае, смерти от болезни и т. д. После этого (если установлено, что убийство имело место) определяется уже причина совершения преступления — корысть, месть и т.  д.

Спасатели, приезжая на место вызова, вначале определяют причину несчастного случая, для того чтобы разработать наиболее эффективную тактику спасения. Если речь идет о падении с высоты, автомобильной катастрофе или другом травматичном событии, появляется необходимость в особом порядке транспортировки. Так, например, шейный, грудной и поясничный отделы позвоночника должны быть зафиксированы на случай, если имеются повреждения позвоночного столба. Виды оказываемой первой помощи также зависят от того, какое именно событие привело к возникновению опасных ситуаций, получению травм. Очевидно, что спасатели определяют причины произошедших событий для наиболее эффективной организации помощи гражданам.

На первый взгляд может показаться, что определение причины не важно, не имеет большого значения, однако приведенные выше примеры говорят об обратном. Установление причины необходимо, так как в противном случае оперативный работник милиции искал бы несуществующего преступника, расследуя стечение обстоятельств, похожее на преступление (стоит ли говорить, что установление причины — большая часть оперативной работы), а пожарные и спасатели не справлялись с работой.

Таким образом, причиной называется такая объективная связь между двумя явлениями, когда одно из них вызывает другое — следствие.

Раскрытие причинной связи между явлениями представляет собой сложный многогранный процесс, включающий разнообразные логические средства и способы познания. В логике разработано несколько методов установления причинной связи между явлениями. Из этих методов чаще всего используются четыре: метод сходства, метод различия, метод сопутствующих изменений и метод остатков. Нередко в научном исследовании применяются сочетания этих методов, но для уяснения сути вопроса следует рассмотреть их отдельно{12}.







Данный текст является ознакомительным фрагментом.




Продолжение на ЛитРес








Причинно-следственная связь — Психологос

​​​​​​​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. Или все совсем не так, и хорошее здоровье не следствие, а причина активности и успеха? Может быть, долгожители успевают накопить больше денег, и именно поэтому на их могилах стоят более дорогие надгробия? Корреляционное исследование позволяет нам сделать прогноз, но оно не может ответить на вопрос о том, вызовет ли изменение одного параметра (например, социального статуса) изменение другого параметра (например, состояния здоровья).

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. См.→

Причина и следствие | Экономика для школьников

Все примеры этой задачи построены так: описаны некоторые статистические наблюдения, из которых затем делается вывод. В решении, которое приводится ниже, для каждого из примеров приведено альтернативное объяснение имеющихся статистических наблюдений, которое противоречит сделанному выводу; существование такого объяснения доказывает, что вывод был получен некорректно. Мы не знаем, какое из альтернативных объяснений верно (возможно, и никакое), зато теперь мы знаем, что описанных наблюдений недостаточно, чтобы утверждать, что верным является именно тот вывод, который был сделан в условии.
Разделение примеров на группы достаточно условное. То общее между примерами группы, что описано ниже в пунктах б), относится не столько к логическим ошибкам, сколько к способу получения альтернативных объяснений.

I

а)
1) Возможно, число несчастных случаев никак не зависит от объёма потребления мороженого при прочих равных условиях, а положительная корреляция между этими двумя переменными объясняется тем, что обе они увеличиваются при росте числа посетителей пляжа.

Справка. Говорят, что наблюдается положительная корреляция между переменными $x$ и $y$, если в фактических наблюдениях вида $(x_{i},y_{i})$ большим значениям одной переменной соответствуют большие значения другой переменной. Иными словами, в тех случаях, когда одна переменная принимала относительно большие значения, вторая переменная тоже принимала относительно большие значения; когда первая принимала относительно маленькие, вторая тоже принимала относительно маленькие.

Отрицательная корреляция — когда большим значениям одной переменной соответствуют меньшие значения другой переменной.

Отличие причинно-следственной связи от корреляции заключается в наличии предпосылки «при прочих равных условиях». Так, фраза «переменная $x$ влияет на переменную $y$» означает, что если изменить $x$, оставив неизменным всё остальное (кроме $y$), то $y$ изменится.

2) Как нетрудно догадаться, бесплатные обеды предоставляются школьникам из семей с низкими доходами. Значит, если доход семьи по какой-то причине положительно коррелирует с оценками ребёнка, то средние оценки в группах тех, кто получает бесплатные обеды, могут быть ниже, чем в группах тех, кто не получает бесплатных обедов, даже если обеды при прочих равных условиях никак не влияют на оценки. Причиной положительной корреляции между доходом семьи и оценками ребёнка, например, могут быть способности, передающиеся по наследству: способности родителей приводят к их высоким заработкам, а полученные по наследству способности их детей приводят к их высоким оценкам.

б) Вывод о наличии причинно-следственной связи сделан лишь на основе корреляции. Это корреляция, скорее всего, объясняется изменением неучтённой переменной.

II

а)
1) Фейерверк начинается вне зависимости от того, выходят жители дома №48 на крышу или нет; напротив, это жители выходили на крышу потому, что ожидали фейерверк.

2) Страховая компания стала требовать более высокую плату потому, что получила информацию о возросшей вероятности смерти страхователя в ближайшем будущем; для того, чтобы вывод компании был верен, достаточно положительной корреляции между риском смерти и наличием телохранителя. Корреляция между риском смерти и наличием телохранителя может быть положительной, даже если зависимость риска смерти от наличия телохранителя (при прочих равных условиях) отрицательная. Страхователь нанял телохранителя потому, что существует угроза его жизни, однако он ошибочно интерпретировал вывод страховой компании так, как будто бы наоборот, наличие телохранителя повышает эту угрозу.

б) Из-за непонимания различия между корреляцией и причинно-следственной связью перепутана причина и следствие.

III

а)
1) Сравнение времени, за которое человек нашёл работу, между двумя группами — теми, кто посещал курсы, и теми, кто не посещал их, — не является корректным основанием для вывода о причинной зависимости этого времени от факта посещения курсов, т.к. отбор в эти группы происходил не случайно и поэтому факт посещения курсов может быть скоррелирован с некоторым неучтённым фактором, который влияет на время нахождения работы. Например, таким фактором может быть целеустремлённость человека, желание поскорее найти работу. Целеустремлённый человек, с одной стороны, запишется на курсы (предполагая, что курсы помогут), с другой стороны, будет активнее искать вакансии, более ответственно готовиться к собеседованиям и т. п. — по сравнению с теми, кто не записался на курсы. Он найдёт работу быстрее, чем те, кто не записался на курсы, даже если курсы на самом деле никак не помогают найти работу.

2) Среди инвесторов, присутствующих на рынке не меньше года, средняя доходность вложений клиентов компании А выше, чем средняя доходность вложений клиентов компании Б. Но срок пребывания на рынке сам зависит от доходности: клиент, который быстро разорился, уходит с рынка, не успев пробыть на нём год. То есть отбор в группы сравнения сам зависит от изучаемой переменной — доходности, что делает данное сравнение некорректным для вывода о том, где ожидаемая доходность выше. Возможно такое, что большинство клиентов компании А разоряются, но те, кто не разорился, имеют очень высокую доходность (например, компания А вкладывает деньги клиентов в очень рискованные, но потенциально очень прибыльные проекты). Потенциальный клиент компании А заранее не знает, попадёт он в число разорившихся или в число разбогатевших, и его скорее интересует средняя доходность по всем клиентам компании А, а не только по тем, кто продержался на рынке больше года. Средняя доходность по всем клиентам компании А вполне может оказаться меньше, чем средняя доходность по всем клиентам компании Б (например, компания Б вкладывает деньги клиентов в активы, приносящие стабильный, хоть и невысокий доход).

б) Отбор в группы сравнения сам зависит от переменной, влияние на которую исследуется с помощью этого сравнения.

IV

а)
1) В условии дана статистика, сравнивающая фильм с его сиквелом, а вывод из этого делается о сравнении сиквела с новым фильмом, что некорректно. Вполне возможно, что ожидаемый успех у сиквела ровно такой же, как и у нового фильма. То, что сиквелы данной кинокомпании хуже своих предшественников, может иметь следующее объяснение: сиквелы снимают только на те фильмы, которые имели большой успех, так что не удивительно, что этот успех не удаётся повторить со следующей же попытки. Кинокомпания всегда старается снять как можно более хороший фильм, но фактический успех зависит не только от стараний, но и от случайных факторов, которые она не в состоянии предугадать или проконтролировать. Вновь снятый фильм (как сиквел, так и не сиквел) скорее будет иметь «средний» успех, чем большой успех, что и объясняет описанную в условии закономерность.

2) Родители хвалят ребёнка за высокие оценки, а ругают за низкие. Оценки (особенно за контрольные) зависят от случайных факторов, которые ребёнок не может контролировать, так что при одинаковом уровне стараний ребёнок может получать разные оценки. Средний балл растёт, если вновь полученная оценка выше среднего балла, и падает, если ниже. Рассмотрим пример. Ребёнок получает только тройки, четвёрки и пятёрки. Пусть по итогам $n$ оценок средний балл равен 4,0. Если $n+1$-я оценка — 5, то средний балл станет выше 4. И если затем $n+2$-я оценка будет 4 или 3 (что, судя по среднему баллу, более вероятно, чем то, что она будет 5), то средний балл упадёт. Таким образом, стоит ожидать, что следующая оценка после получения пятёрки понизит средний балл. Аналогичным образом можно убедиться в том, что после получения тройки средний балл, скорее всего, вырастет. Эта закономерность будет иметь место, даже если похвала и порицание со стороны родителей никак не влияют на оценки.

б) Возврат к среднему значению после случайного отклонения ошибочно используется в качестве доказательства некоторой причинно-следственной связи.

Причинно-следственная связь при несчастном случае на производстве

]]]]]]]]>]]]]]]>]]]]>]]>

Подборка наиболее важных документов по запросу Причинно-следственная связь при несчастном случае на производстве (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).

Судебная практика: Причинно-следственная связь при несчастном случае на производстве

Открыть документ в вашей системе КонсультантПлюс:
Апелляционное определение Свердловского областного суда от 21.05.2020 по делу N 33-7006/2020
Категория спора: Защита прав и интересов работника.
Требования работника: 1) О взыскании компенсации морального вреда; 2) Об обязании внести изменения в акт о несчастном случае на производстве.
Обстоятельства: С работником произошел несчастный случай на производстве, при проведении экспертизы указано на допущенную в акте о несчастном случае ошибку, поскольку диагноз установлен позднее составления акта, ошибка не исправлена, что влечет за собой необходимость прохождения работником дополнительных медицинских обследований, получение им необходимой медицинской помощи откладывается и увеличивается срок реабилитации.
Решение: 1) Удовлетворено; 2) Отказано.
Процессуальные вопросы: О возмещении расходов на проведение экспертизы — удовлетворено.Доводы ответчика о недоказанности прямой причинно-следственной связи между несчастным случаем на производстве и имеющимся у истца заболеванием не свидетельствуют об отсутствии оснований для возмещения истцу морального вреда, поскольку заключением судебно-медицинской экспертизы достоверно подтверждено, что несчастный случай на производстве, произошедший исключительно по вине ответчика, не обеспечившего безопасных условий труда, повлек за собой не только повреждение здоровья в виде , но и спровоцировал усиление клинических проявлений ранее имевшегося у истца заболевания — , повлек за собой длительный болевой синдром и .

Статьи, комментарии, ответы на вопросы: Причинно-следственная связь при несчастном случае на производстве

Открыть документ в вашей системе КонсультантПлюс:
Статья: Вопросы соотношения вины и причинно-следственной связи в деликтном праве
(Евстигнеев Э.А.)
(«Вестник гражданского права», 2020, N 1)Уменьшение стандарта доказывания причинно-следственной связи из-за наличия определенной формы вины в практике различных правопорядков встречается реже, чем влияние форм вины на распределение бремени доказывания причинно-следственной связи. Однако такие примеры нормативного стандарта доказывания все же имеют место. В частности, во французском правопорядке умышленное причинение вреда приводит к уменьшению стандарта доказательства наличия причинно-следственной связи. Подобная нормативная позиция реализована на уровне Кассационного суда . Достаточно очевидно зависимость стандарта доказывания причинно-следственной связи от форм вины проявляется в Дании. В области экологического вреда действует правило, в соответствии с которым чем серьезнее вина причинителя вреда, тем менее строгие требования предъявляются к доказыванию причинно-следственной связи. Такой же подход в Дании действует применительно к закону, касающемуся несчастных случаев на производстве, и к случаям проявления медицинской халатности . Такая особенность датского правопорядка основана на высокой ориентированности всех скандинавских правопорядков на общее право. В свою очередь, для общего права характерна выработка нормативных стандартов доказывания, т.е. стандартизированных подходов к допустимому уровню сомнений при установлении спорных обстоятельств .

Нормативные акты: Причинно-следственная связь при несчастном случае на производстве

Открыть документ в вашей системе КонсультантПлюс:
ФСС РФ от 03.07.2001 N 02-18/07-4808
В соответствии с письмом Фонда от 22.12.2000 N 02-08/07-2941П «Об обеспечении взаимодействия Федеральной инспекции труда с Фондом социального страхования Российской Федерации по вопросам расследования несчастных случаев на производстве и создания единой системы учета страховых случаев и их анализа» государственной инспекции труда предложено обеспечить участие представителя исполнительного органа Фонда в работе комиссий по расследованию групповых несчастных случаев на производстве, тяжелых несчастных случаев на производстве и несчастных случаев со смертельным исходом. Иногда представители исполнительных органов Фонда приглашаются для работы в комиссии по расследованию, но не включаются в ее состав. В этом случае не следует отказываться от участия в расследовании, так как основная задача представителя исполнительного органа Фонда установить причинно — следственную связь повреждения здоровья застрахованного и несчастного случая на производстве, произошедшего с ним при исполнении обязанностей по трудовому договору.

Корреляция и Причинность 📊 — Чем Отличаются Эти Понятия

В качестве альтернативы, A/B/n -тестирование может привести вас от корреляции к причинно–следственной связи. Посмотрите на каждую из ваших переменных, измените одну и посмотрите, что произойдет. Если ваш результат постоянно меняется (с той же тенденцией), вы нашли переменную, которая имеет значение.

Эндрю Чен говорит об этом так: «после того, как вы нашли модель, которая работает в вашем случае, следующий шаг – это попробовать проверить ее. Сделайте что–то, что определяет приоритет входной переменной и увеличивает его, возможно, за счет чего–то еще».

Он продолжает: «посмотрите, будут ли эти пользователи в результате более успешным. Если вы видите большую разницу при измерении вашего успеха, то вы к чему–то пришли. Если же нет, то, возможно, это не очень хорошая модель».

Когда речь заходит о том, что присоединение к «сообществам» приводит к повышению коэффициента сохранения, необходимо исключить все другие переменные, которые могут повлиять на результат.

Например, пользователи могли опираться на другой фактор или причину, что в конечном итоге и повлияло на процент сохранения.

Чтобы проверить наличие причинно–следственной связи, необходимо найти прямую связь между пользователями, присоединяющимися к сообществам, и теми, кто будет использовать ваше приложение в долгосрочной перспективе.

Начните с притока новых пользователей. Создайте возможность выбора для следующих 1000-и пользователей, которые зарегистрируются, а затем разделите их на две группы. Половина будет вынуждена присоединиться к «сообществам», когда они впервые зарегистрируются, а другая половина может регистрироваться без присоединения к «сообществу».

Проведите эксперимент в течение 30-ти дней, а затем сравните показатели сохранения между двумя группами.

Если вы обнаружите, что группа, которая была вынуждена присоединиться к сообществам, имеет более высокий уровень сохранения, то у вас есть доказательства, необходимые для подтверждения причинно–следственной связи между присоединением к «сообществам» и сохранением клиентов. Это соотношение, вероятно, стоит анализировать и дальше, чтобы понять, почему «сообщества» могут сохранять пользователей.

Вы не будете уверены во взаимосвязи, пока не выполните эти эксперименты.

Волки установили причинно-следственные связи лучше собак

Game of Thrones / HBO 2011

Способности животных к выявлению причинно-следственных связей ухудшается в процессе одомашнивания. К такому выводу пришли европейские ученые, наблюдавшие за тем, как в ходе эксперимента волки и собаки реагировали на данные им подсказки о местонахождении угощения. Исследователи выяснили, что волки понимают подсказки, требующие умения оперировать причинными связями, на 20 процентов лучше, чем собаки. Статья опубликована в журнале Scientific Reports.

В процессе одомашнивания животные приспосабливаются к новым для себя условиям. Это может повлиять на их физические и когнитивные способности: например, домашние собаки лучше других животных способны распознать коммуникативные подсказки, которые человек подает голосом или взглядом. Собаки также выучивают такие команды быстрее, чем волки, выращенные в неволе. До сих пор, однако, не проводились систематические исследования того, как жизнь в неволе влияет на поведение волков по сравнению с собаками. Именно поэтому не было ясно, что больше влияет на способность разных животных следовать различным подсказкам: многовековой процесс одомашнивания или индивидуальное развитие.

Авторы новой работы исследовали способности собак и волков, которые должны были принимать решение о местонахождении угощения на основе различных подсказок. В эксперименте участвовали 12 волков, живущих в неволе, 14 собак, живущих в стае, и 12 домашних собак. Исследование волков и собак, выросших в одинаковых условиях, позволило ученым изучить влияние долгого процесса одомашнивания на понимание различных подсказок.

Во время эксперимента каждую особь подводили к специальному столу, за которым сидел исследователь, отделенный от животного металлической сеткой. На столе между исследователем и животным стояли два непрозрачных герметичных контейнера, в одном из которых находилось угощение (кусочки колбасы).

Пример экспериментального условия

Lampe et al. / Scientific Reports 2017

Ученые следили за поведением волка или собаки в ответ на одну из подсказок о местонахождении еды:

  • коммуникативную: исследователь налаживал с животным визуальный контакт и затем смотрел или указывал на контейнер с угощением;

  • поведенческую: исследователь тянулся за пустым контейнером, открывал его, ставил обратно с грустным выражением лица, а затем брал контейнер с угощением. Визуальный контакт при этом налажен не был;

  • причинно-следственную: исследователь тряс оба контейнера по очереди (в контейнере с угощением для дополнительного шума были положены камешки) или представлял животному две деревянных фигуры (одну выпуклую, с угощением, а вторую — плоскую), не налаживая визуальный контакт.

Каждая особь проходила эксперимент индивидуально. Подсказка считалась правильно понятой, когда животное тянулось за нужным контейнером. В качестве контрольного условия ученые также проверили реакцию животных на представленные им две деревянные фигурки, за одной из которых находилось угощение.

В результате удалось выяснить, что животные из всех трех групп одинаково хорошо понимают коммуникативные подсказки: в среднем волки и собаки из обеих групп правильно определяли местонахождение угощения, основываясь на визуальном контакте и указании на контейнер, в 70 процентах случаев. Поведенческие подсказки оказались для всех одинаково непонятны: животные определяли нужный контейнер меньше чем в половине случаев. Причинно-следственные подсказки хорошо понимали только волки: они определяли правильный контейнер в 70 процентах случаев, тогда как домашние собаки — в 50 процентах, а собаки из стаи — в 40 процентах случаев.

Процент правильно понятых подсказок среди особей из разных групп. Слева направо: коммуникативная подсказка, поведенческая подсказка, причинно следственная подсказка, контрольное условие. По интенсивности серого цвета: домашние собаки, собаки, живущие в стае, волки.

Lampe et al. / Scientific Reports 2017

Основываясь на полученных данных, ученые пришли к выводу, что способность животных понимать коммуникативные подсказки, данные человеком, и следовать им, развилась не в процессе одомашнивания: волки, живущие в неволе, смогли быстро адаптировать свое поведение в человеческом окружении. Однако одомашнивание, по мнению ученых, отрицательно повлияло на способность животных выстраивать причинно-следственные связи: волки, обычно живущие в дикой природе, уделяют больше внимания слуховым и визуальным подсказкам, так как это необходимо для поиска пищи и выявления опасности. Также ученые отмечают, что для проведения дальнейших исследований и выявления точных закономерностей необходимо будет увеличить число животных из каждой группы.

Биологи часто изучают влияние процесса одомашнивания на поведение животных. Так, здесь вы можете прочитать о том, как домашние козы научились просить помощи у людей. Также ранее мы писали о процессе одомашнивания кур, который занял всего шесть поколений.

Елизавета Ивтушок

Понятие о причинно-следственных связях. Методы установления причинно-следственных связей

Понятие о причинно-следственных связях. Методы установления причинно-следственных связей. — Текст : электронный // Myfilology.ru – информационный филологический ресурс : [сайт]. – URL: https://myfilology.ru//169/ponyatie-o-prichinno-sledstvennyx-svyazyax-metody-ustanovleniya-prichinno-sledstvennyx-svyazej/ (дата обращения: 30.04.2021)

Понятие о причинно-следственных связях

Перед тем как рассматривать непосредственно методы установления причинно-следственных связей, необходимо уяснить себе понятие причины и следствия.

Причиной называют такое явление, процесс или предмет, который уже в силу своего существования вызывает определенные изменения окружающего мира. Причина характеризуется тем, что всегда предшествует результату. Она лежит как бы в основе последствия. Так, ни одно следствие невозможно представить себе без причины, ведь последняя является своего рода отправной точкой. Приведем пример: «Ударила молния – лес загорелся». Очевидно, что здесь причиной является молния, если именно она спровоцировала пожар. Без такой причины следствия быть не могло. Конечно, можно говорить о том, что пожар мог начаться в результате поджога, однако в таком случае причиной стал бы поджог.

Следствие – это то, что влечет за собой причина; оно всегда вторично и зависимо, определяемо ей. Именно на таком соотношении причины и следствия построен профессиональный процесс многих людей. Пожарные, спасатели, сотрудники правоохранительных органов, прежде чем приступить к работе, вначале ищут причину. Например, пожарные приступают к тушению пожара, только когда более-менее ясно, от чего возник пожар и где. В противном случае риск для жизни повысился бы в несколько раз. Конечно, окончательно причина возгорания, будь то поджег, неисправность электропроводки или неосторожное обращение с огнем, становится ясна только по окончании тушения, но первоначально она должна быть определена хотя бы примерно.

Работник правоохранительных органов, выезжая на место происшествия, первым делом определяет причины этого происшествия. Если поступил сигнал об убийстве, необходимо проверить, является ли происшедшее на самом деле преступлением.

То есть определяется причина смерти. При этом отсеиваются версии о самоубийстве, несчастном случае, смерти от болезни и т. д. После этого (если установлено, что убийство имело место) определяется уже причина совершения преступления – корысть, месть и т. д.

Спасатели, приезжая на место вызова, вначале определяют причину несчастного случая, для того чтобы разработать наиболее эффективную тактику спасения. Если речь идет о падении с высоты, автомобильной катастрофе или другом травматичном событии, появляется необходимость в особом порядке транспортировки. Так, например, шейный, грудной и поясничный отделы позвоночника должны быть зафиксированы на случай, если имеются повреждения позвоночного столба. Виды оказываемой первой помощи также зависят от того, какое именно событие привело к возникновению опасных ситуаций, получению травм. Очевидно, что спасатели определяют причины произошедших событий для наиболее эффективной организации помощи гражданам.

На первый взгляд может показаться, что определение причины не важно, не имеет большого значения, однако приведенные выше примеры говорят об обратном. Установление причины необходимо, так как в противном случае оперативный работник милиции искал бы несуществующего преступника, расследуя стечение обстоятельств, похожее на преступление (стоит ли говорить, что установление причины – большая часть оперативной работы), а пожарные и спасатели не справлялись с работой.

Таким образом, причиной называется такая объективная связь между двумя явлениями, когда одно из них вызывает другое – следствие.

Раскрытие причинной связи между явлениями представляет собой сложный многогранный процесс, включающий разнообразные логические средства и способы познания. В логике разработано несколько методов установления причинной связи между явлениями. Из этих методов чаще всего используются четыре: метод сходства, метод различия, метод сопутствующих изменений и метод остатков. Нередко в научном исследовании применяются сочетания этих методов, но для уяснения сути вопроса следует рассмотреть их отдельно.

Методы установления причинно-следственных связей

Метод сходства заключается в том, что, если два и более случая исследуемого явления сходны только в одном обстоятельстве, существует вероятность, что именно это обстоятельство и есть причина или часть причины данного явления.

Например:

При условиях АВС возникает явление а.

При условиях ADE возникает явление а.

При условиях AFG возникает явление а.

Вероятно, обстоятельство А есть причина а.

Метод различия состоит в следующем: определяются два случая. Первый – тот, в котором происходит наступление рассматриваемого явления. Второй случай – тот, при котором наступление этого явления не происходит. Если эти два случая между собой отличаются только одним обстоятельством, вероятно, оно и является причиной возникновения рассматриваемого явления.

Например:

При условиях АВС возникает явление а.

При условиях ВСВ возникает явление а.

Вероятно, обстоятельство А есть причина а.

Метод сопутствующих изменений заключается в том, что, если какое-либо отдельно взятое явление изменяется каждый раз при изменении другого явления, с определенной степенью вероятности можно предположить, что второе явление влечет изменение первого и, следовательно, они находятся в причинной взаимозависимости.

Например:

При условиях А1ВС возникает явление а1.

При условиях А2ВС возникает явление а2.

При условиях А3ВС возникает явление а3.

Вероятно, обстоятельство А есть причина а.

Метод остатков означает, что, рассматривая причины сложного явления abc, которое вызвано целым рядом обстоятельств АВС, можно двигаться поэтапно. Изучив определенную часть причинных обстоятельств, мы можем вычесть ее из явления abc. В результате мы получим остаток данного явления, который будет следствием оставшихся из комплекса АВС обстоятельств. Например:

Явление аbс вызывается обстоятельствами АВС.

Часть b явления аbс вызывается обстоятельством В.

Часть с явления аbс вызывается обстоятельством С.

Вероятно, часть а явления аbс находится в причинной зависимости с обстоятельством А.

Рассмотрев методы установления причинно-следственных связей, можно сказать, что они по своей природе относятся к сложным умозаключениям. В них индукция сочетается с дедукцией, индуктивные обобщения строятся с использованием дедуктивных следствий.

Опираясь на свойства причинной связи, дедукция выступает логическим средством исключения случайных обстоятельств, тем самым она логически корректирует и направляет индуктивное обобщение.

Взаимосвязь индукции и дедукции обеспечивает логическую самостоятельность рассуждений при применении методов, а точность выраженного в посылках знания определяет степень обоснованности получаемых знаний.

02.09.2016, 8088 просмотров.

9.2 Причинная связь

9.2 Причинная связь

Умение определять причинно-следственные связи
в мире важно. Что связывает причину и следствие невидимо
нам (Хьюм). Но мы можем обращать внимание на корреляции, и из них иногда
сделать выводы о причинно-следственных связях. Не все корреляции существуют
потому что существует причинно-следственная связь.

Корреляции

Утверждения корреляции выражают отношение
между двумя свойствами (значениями переменных) в пределах одной совокупности.

Курильщики Некурящие
Американские мужчины 51 49
Американские женщины 34 66

Исходя из этих данных, мы утверждаем, что 51% американских
мужчины курят и 34% американских женщин курят. Свойство быть
Американский мужчина положительно коррелирует со свойством быть курильщиком,
и свойство быть американской женщиной отрицательно коррелирует с
быть курильщиком.Население здесь — взрослые американцы, и мы сравниваем
две переменные: курение и пол; каждая переменная имеет два значения.

A — положительно коррелирует, — B
тогда и только тогда, когда процент As среди B больше, чем процент
из As среди не-B.

A имеет отрицательную корреляцию с B
тогда и только тогда, когда процент As среди B меньше, чем процент
из As среди не-B.

A — не коррелирует с B —
процент As среди B такой же, как процент As среди не-B.

Оценка корреляций

Предвзятость при оценке корреляций:

Медсестер попросили просмотреть 100 карточек с пациентом.
информацию о них, а затем судить, были ли отношения или
связь между определенным симптомом и определенным заболеванием. Каждый
Карточка показывала, присутствовал ли симптом или отсутствовал, и был ли
болезнь присутствовала или отсутствовала. (Смедслунд, 1963)

Вот частота появления симптомов и заболеваний.
на 100 пациентов.

Болезнь Нет болезней
Признак 37 33
Нет симптомов 17 13

Полученные результаты:

Здесь нет корреляции, хотя 85%
медсестры думали, что существует положительная корреляция между симптомом
и болезнь.Настоящая / настоящая ячейка была лучшим предсказателем
суждения субъекта; высокая цифра в этой камере побудила к положительному суждению.

Обратите внимание, что как для группы симптомов, так и для
в группе без симптомов примерно столько же больных, сколько и не имеющих
болезнь (немного больше, чем нет для обеих групп; 37-33
с симптомом, 17-13 без симптома). Есть ли у тебя болезнь или нет,
примерно в два раза больше людей имеют этот симптом, чем не имеют его.

Субъекты склонны смотреть только на избранных
ячейки для соответствующей информации.

Другой пример: отвечает ли Бог на молитвы?
Многие говорят «да», потому что многие молитвы были успешными. Но что насчет
другие клетки?

Другой пример:

Испытуемых спросили, может ли г-н Максвелл,
вымышленный человек, которого их попросили представить, что они встретились на вечеринке,
был профессором. Им сказали, что он либо профессор, либо руководитель,
и что он принадлежал к «Медвежьему клубу». Затем испытуемых спросили, что
дополнительная информация, которую они хотели бы получить для вынесения своего суждения.Например, какой процент профессоров на вечеринке являются членами
Медвежий клуб, или какой процент руководителей на вечеринке были членами
Медвежьего клуба? 89% испытуемых хотели получить первую информацию,
но только 54% ​​хотели получить вторую часть, хотя обе части актуальны.
(Также актуальна информация о процентном соотношении профессоров
на вечеринке.)

Эффекты априорной веры в оценку корреляций:

Клинические психологи иногда используют рисунок человека.
тесты, с помощью которых пациенты проектируют аспекты своей личности
в рисунки.Большие глаза могут указывать на то, что пациент подозревает
другие или параноики; большие плечи могут указывать на озабоченность мужественностью.

Исследования показали, что эти тесты бесполезны
как индикаторы личностных качеств. Но в исследованиях, в которых фотографии и
метки характеристик связаны способами, которые не отражают корреляции, неподготовленные
субъекты по-прежнему заявляют, что «обнаружили», что определенные черты коррелируют с
некоторые аспекты чертежей. Даже профессионалы сохраняют доверие
в них, узнав об их неэффективности.Подобные результаты применимы к Роршаху
тесты. Цитата: «Я знаю, что параноики, похоже, не привлекают больших глаз в исследованиях.
лаборатории, но они есть в моем офисе ». (Chapman and Chapman, 1967, 1969)

Предыдущее убеждение может увеличить предвзятость внимания:

Испытуемым рассказывают об эксперименте, в котором
Детям школ-интернатов дают определенные комбинации продуктов питания, чтобы увидеть
влияют ли они на вероятность простуды. Прежде чем увидеть
данные испытуемых просят сформулировать собственные гипотезы. После показа
данные, их интерпретации явно находятся под влиянием их собственных гипотез.Несмотря на то, что данные не отражают корреляции, субъекты, которые выдвинули гипотезу
заранее, что тип воды (в бутылках или из-под крана) может иметь отношение к
простудились также сказали, что видели такую ​​корреляцию, проиллюстрированную в
данные. Субъекты, которые, например, выдвинули гипотезу о том, что вид горчицы
может вызвать простуду, будет смотреть на данные горчицы / холода и игнорировать горчицу / нет
холодные данные.

Причинно-следственные связи:

Причинное обобщение, например, курение
вызывает рак легких, не касается конкретного курильщика, а указывает на особый
существует связь между свойством курения и свойством
заболел раком легких.В качестве причинного утверждения это говорит больше, чем то, что там
корреляция между двумя свойствами.

Некоторые причинные условия являются необходимыми условиями:
наличие кислорода — необходимое условие горения; в
отсутствие кислорода нет горения. «Причина» часто используется в этом
смысл, когда стремятся устранить причину, чтобы устранить следствие
(что вызывает боль?)

Некоторые причинные условия являются достаточными условиями:
при наличии достаточного условия эффект должен наступить (находясь в
температурный диапазон R в присутствии кислорода достаточен для горения
многих веществ.»Причина» часто используется в этом смысле, когда мы стремимся
произвести эффект (что делает этот металл таким прочным?)

В поисках особых обстоятельств: что было
причина пожара? Кислород? или матч поджигателя?

Причинами иногда называют состояния INUS
в том, что они являются недостаточными, но необходимыми частями ненужного, но
Достаточный набор условий для эффекта. Можно сказать, поражая спичку
быть причиной его освещения. Предположим, есть некоторый набор условий
этого достаточно для освещения спички.Это может включать присутствие
кислорода, соответствующие химические вещества в головке спичек и поражении.
Можно сказать, что нанесение ударов является необходимой частью этого набора (хотя и недостаточным
сам по себе), потому что без выделения среди этих других условий
спичку бы не зажег. Но сам набор хоть и достаточный, но не
необходимо, потому что другие условия могли вызвать освещение
матча.

Чем причинно-следственные связи отличаются от корреляций?

1.Утверждение о корреляции симметрично
в то время как утверждение о причинно-следственной связи асимметрично. Если быть
мужчина положительно коррелирует с тем, чтобы быть курильщиком, курение — это
также положительно коррелирует с мужчиной. Но если курение вызывает легкие
рак, не обязательно, что рак легких вызывает курение.

2. Корреляции касаются реальных популяций.
и не законопослушны. Причинно-следственные связи подобны закону в том смысле, что
они касаются как гипотетических, так и реальных популяций.Когда говорят, что причина B является причиной B, мы говорим, что было увеличение
при заболеваемости А будет увеличиваться заболеваемость В;
или если количество случаев A уменьшится, число случаев B также уменьшится. (Если меньше
люди курили, рака легких было бы меньше).
только для реального населения. Если успех Национальной лиги в Суперкубке
просто коррелирует с падением фондового рынка, то нам не следует ожидать
изменения на фондовом рынке, чтобы повлиять на исход Суперкубка (или
наоборот).

Как можно формировать суждения о причинно-следственных связях
на основании утверждений о корреляциях?

Например, имеется сильная положительная корреляция
между увеличением количества занятий по половому воспитанию и увеличением
в норме гонореи. Предположим, мы заключаем, что увеличение числа
занятий по половому воспитанию привело к увеличению заболеваемости гонореей.

(A) Статистическая посылка (выписка
насчет корреляции) верно или обоснованно?

(B) Какие существуют альтернативные объяснения?

1.Корреляция может быть случайной или
случайно. Увеличение государственного долга положительно коррелирует с
увеличение частоты гонореи, но причинной связи нет.

2. Связь может быть ложной, как
увеличение количества занятий по половому воспитанию и увеличение числа
частота гонореи является следствием одной и той же причины.

3. Причинно-следственная связь может быть обратной.
Может ли повышение частоты гонореи быть причиной
осознанная потребность в большем количестве классов полового воспитания?

4.Причинная связь могла быть больше
сложнее, чем следует из вывода. Увеличение количества занятий по половому воспитанию
могло вызвать изменение отношения к сексу, что привело к увеличению
в сексуальной активности, что привело к увеличению частоты гонореи.

5. Указанная причинно-следственная связь может быть несущественной.
по сравнению с другими факторами, ответственными за увеличение гонореи
показатель.

Предлагается ли причинно-следственная связь в приведенных ниже случаях?

Когда-то была сильная положительная корреляция
между количеством мулов в штате и зарплатой, выплачиваемой профессорам
(чем больше мулов, тем ниже зарплаты).

Существует сильная положительная корреляция между
количество пожарных машин в районе Нью-Йорка и количество пожаров,
происходят там.

Существует сильная положительная корреляция между
размер стопы и качество письма.

Существует сильная отрицательная корреляция между
количество передач вперед, выполненных в футбольном матче и выигранных
игра.

Потребление тяжелого кофе имеет положительную корреляцию
при сердечных приступах.

Посещение больницы положительно коррелировано
с умиранием.

Увеличение количества часов детских часов
Телевидение положительно коррелирует со снижением баллов по SAT.

Употребление марихуаны отрицательно коррелирует с
высокие GPA.

Другой пример:

«[W] Половина общин страны имеют
источники питьевой воды, а половина — нет, девяносто процентов случаев СПИДа
поступают из залитых мукой участков, и только десять процентов поступают из
нефторированные участки «.

Есть связь?

1. Не все сообщества одинакового размера:
сообщества с флоуридом (вероятно, будут большими городами) могут содержать гораздо больше
чем половина населения.

2. Отношения могут быть ложными: космополитические / прогрессивные.
отношение может поощрять как фторирование, так и образ жизни, связанный с
СПИД

Другой пример:

Есть ли причинно-следственная связь между классом
посещаемость и достигнутые оценки?

«Студенты с самой низкой посещаемостью
самые плохие оценки. Те, кто посещал 79 процентов занятий или меньше
оказался в диапазоне низких C; 90% и выше получили средний балл выше B.
Студент, сидевший впереди, получил «значительно более высокие оценки», но Уолш [
исследователь] думает, что они могли бы больше интересоваться предметами.»

Джон Стюарт Милль, Система логики, 1843 г.

A не является достаточным условием для B, если
А происходит без Б.

A не является необходимым условием для B, если
B происходит без A.

Прямой метод соглашения

Найдите причинно-следственную связь между эффектом и
необходимое условие

Какой фактор всегда присутствует, когда эффект
настоящее?

Если среди жителей общежития нет
это сыпь расстройства желудка, мы, вероятно, будем искать один продукт, который
все пациенты ели как причина.

1. Заключение касается только происшествий.
считается.

2. Вероятно: другие важные условия
мог быть упущен из виду; это могло быть сочетание факторов

Обратный метод соглашения

Найдите причинно-следственную связь между эффектом и
достаточное состояние

Какой фактор всегда отсутствует при возникновении
эффекта отсутствуют?

Пять заводских рабочих признаны неэффективными
относительно других, которые делают ту же работу.Эффективные работники и
неэффективные работники оказались похожими во всех отношениях, кроме
один: неэффективные не были частью плана распределения прибыли. Заключение:
участие в прибыли приводит к эффективности.

1. Заключение касается только происшествий.
считается.

2. Вероятно: другие важные условия
мог быть упущен из виду; это могло быть сочетание факторов

Двойной метод соглашения

Найдите причину, которая необходима как , так и
и достаточное условие

Какой фактор всегда присутствует, когда эффект
настоящее?

Какой фактор всегда отсутствует при возникновении
эффекта отсутствуют?

Восемь пациентов болеют, и каждый из них
дано то или иное средство.Четыре пациента, которым вводили сыворотку S., вылечились.
Из тех, кто вылечился, не было дано единственного лекарства для всех. Принадлежащий
четверо не излечились, каждому пациенту дали хотя бы одно из лекарств
(но не сыворотка S). Сыворотка S считается лекарством.

1. Заключение касается только происшествий.
считается.

2. Вероятно: другие важные условия
мог быть упущен из виду; это могло быть сочетание факторов

Метод различия

Определите достаточное условие среди
возможные кандидаты в конкретном случае

Фактор — единственный, который присутствует
когда явление присутствует и отсутствует, когда явление отсутствует.

Две одинаковые белые мыши в контролируемой
В эксперименте давали одинаковое количество четырех разных продуктов. Кроме того,
одну из мышей кормили определенным препаратом. Спустя некоторое время мышь, которая
получил препарат, стал нервным и возбужденным. Исследователи пришли к выводу
что препарат вызвал нервозность.

1. Заключение менее общее, чем обратное.
метод различия, который применяется ко всем перечисленным случаям

Совместный метод согласия и разногласия

Определите необходимое и достаточное условие
то, что присутствует, — это конкретный случай.

Используйте прямой метод соглашения для изоляции
необходимые условия (если нет фактора — нет эффекта) и метод различия
чтобы выделить те, которых также достаточно.

1. Заключение менее общее, чем двойное
метод соглашения, который применяется ко всем перечисленным случаям;

Джордж, который регулярно тренировался, принимал витамины,
и много отдыхал, заболел редкой болезнью. Врачи управляли
антибиотик и болезнь исчезла. убежден, что лекарство было вызвано
либо упражнением, либо отдыхом, либо антибиотиком врачи искали
для аналогичных случаев.Из двух найденных, один не занимался спортом, взял
нет витаминов, и мало отдыхала. Ему дали тот же антибиотик и
был вылечен. Другой человек, который сделал то же самое, что и Джордж, получил
без антибиотика и не вылечился. Врачи пришли к выводу, что Джордж был
лечится антибиотиком.

Метод остатков

«Отделить от группы причинно связанных
условия и явления, те нити причинной связи, которые уже
известна, оставляя требуемую причинную связь как «остаток».»

Метод сопутствующей вариации

Сопоставьте вариации одного условия с вариациями
в другой.

Корреляция и причинно-следственная связь

А

корреляция

это мера или степень взаимосвязи между двумя переменными. Набор данных может быть положительно коррелирован, отрицательно коррелирован или вообще не коррелирован.
По мере увеличения одного набора значений другой набор имеет тенденцию к увеличению, и это называется положительной корреляцией.

По мере увеличения одного набора значений другой набор имеет тенденцию к уменьшению, и это называется отрицательной корреляцией.

Если изменение значений одного набора не влияет на значения другого, то говорят, что переменные не имеют «корреляции» или «нулевой корреляции».

А

причинная связь

между двумя событиями существует, если возникновение первого вызывает другое. Первое событие называется причиной, а второе событие — следствием.
Корреляция между двумя переменными не подразумевает причинно-следственной связи.С другой стороны, если между двумя переменными существует причинно-следственная связь, они должны быть коррелированы.


Пример:

Исследование показывает, что существует отрицательная корреляция между тревожностью студента перед тестом и его оценкой. Но нельзя сказать, что тревога

причины

более низкий балл по тесту; могут быть и другие причины — например, ученик плохо учился.Таким образом, корреляция здесь не подразумевает причинно-следственной связи.

Однако примите во внимание положительную корреляцию между количеством часов, которые вы тратите на подготовку к тесту, и оценкой, которую вы получите за него. Здесь также есть причинно-следственная связь; если вы тратите больше времени на учебу, вы получите более высокую оценку.

Одним из наиболее часто используемых показателей корреляции является корреляция моментов продукта Пирсона или коэффициент корреляции Пирсона.Он измеряется по формуле,

р

Икс

y

знак равно

п

Икс

y

Икс

y

(

п

Икс

2

(

Икс

)

2

)

(

п

y

2

(

y

)

2

)

Значение коэффициента корреляции Пирсона варьируется от

1

к

+

1

где –1 указывает на сильную отрицательную корреляцию, а

+

1

указывает на сильную положительную корреляцию.

Причинная взаимосвязь — обзор

4.8 Взаимосвязи: косвенные и причинные

Выше я отмечал, что поиск и объяснение интересных взаимосвязей — это часть того, что мы делаем в исследованиях HCI. Часто контролируемый эксперимент разрабатывается и проводится специально для этой цели, и, если он будет проведен должным образом, можно сделать вывод определенного типа.Мы часто можем сказать, что условие, которым манипулируют в эксперименте , вызвало изменений в реакциях человека, которые наблюдались и измерялись. Это причинно-следственная связь или просто причинно-следственная связь .

В HCI управляемая переменная часто является атрибутом номинального масштаба интерфейса, например устройством, методом ввода, модальностью обратной связи, методом выбора, глубиной меню, расположением кнопок и т. Д. Измеряемая переменная обычно представляет собой поведение человека в шкале отношений, такое как время завершения задачи, частота ошибок или количество нажатий кнопок, прокрутки, смещения взгляда и т. Д.

Обнаружение причинно-следственной связи в эксперименте HCI дает убедительный вывод. Если измеряемая реакция человека имеет жизненно важное значение для HCI, например, время, необходимое для выполнения общей задачи, то знание того, что условие, проверенное в эксперименте, сокращает это время, является ценным результатом. Если условие — это реализация новой идеи и ее сравнивали с нынешней практикой, действительно может быть повод для радости. Была обнаружена не только причинно-следственная связь, но и новая идея улучшила существующую практику.Это своего рода результат, который добавляет к дисциплине ценные знания; это продвигает вперед современные достижения. 9 В этом суть исследования HCI!

Обнаружение взаимосвязи не обязательно означает наличие причинно-следственной связи. Многие отношения косвенные . Они существуют, и их можно наблюдать, измерять и количественно оценивать. Но они не причинны, и любая попытка выразить отношения как таковые неверна. Классический пример — взаимосвязь между курением и раком.Предположим, что в ходе научного исследования отслеживаются привычки и здоровье большого количества людей на протяжении многих лет. Это пример упомянутого ранее корреляционного метода исследования. В конце концов, между курением и раком обнаруживается взаимосвязь: рак чаще встречается у курильщиков. Правильно ли заключить из исследования, что курение вызывает рак ? Нет. Наблюдаемая связь косвенная, а не причинная. Подумайте об этом: при более внимательном изучении данных обнаруживается, что тенденция к развитию рака также связана с другими переменными в наборе данных.Похоже, что люди, у которых развился рак, также были склонны пить больше алкоголя, есть больше жирной пищи, меньше спать, слушать рок-музыку и так далее. Возможно, причиной рака было повышенное употребление алкоголя, или употребление жирной пищи, или что-то еще. Отношения косвенные, а не причинные. Это не означает, что косвенные отношения бесполезны. Поиск и обнаружение косвенных отношений часто является первым шагом в дальнейших исследованиях, отчасти потому, что собирать данные и искать косвенные отношения относительно легко.

Причинно-следственные связи возникают в результате контролируемых экспериментов. Поиск причинно-следственной связи требует исследования, в котором, помимо прочего, участники выбираются случайным образом из совокупности и случайным образом распределяются по условиям тестирования. Случайное распределение гарантирует, что каждая группа участников одинакова или похожа во всех отношениях, за исключением условий, при которых каждая группа тестируется. Таким образом, возникающие различия более вероятны из-за ( вызвано ) условий испытаний, чем из-за окружающей среды или других обстоятельств.Иногда участники распределяются по группам, где участники каждой группы отбираются таким образом, чтобы группы были равны по другим значимым характеристикам. Например, эксперимент по тестированию двух контроллеров ввода для игр может случайным образом распределить участников по группам или сбалансировать группы, чтобы гарантировать примерно равный диапазон игрового опыта.

Вот пример HCI, похожий на пример курения и рака. Исследователя интересует сравнение многоканального и интеллектуального ввода ( T9 ) для ввода текста на мобильном телефоне.Исследователь отправляется в мир и подходит к пользователям мобильных телефонов, прося у них пять минут времени. Многие согласны. Они отвечают на несколько вопросов об опыте и привычках использования, включая предпочитаемый способ ввода текстовых сообщений. Найдено 15 пользователей multi-tap и 15 T9 пользователей. Пользователей просят ввести заданную фразу текста, пока они рассчитаны. Вернувшись в лабораторию, данные анализируются. Очевидно, пользователи T9 были быстрее, вводя со скоростью 18 слов в минуту, по сравнению с 12 словами в минуту для пользователей с несколькими нажатиями.Это на 50 процентов быстрее для пользователей T9 ! Какой вывод? Существует взаимосвязь между методом ввода и скоростью ввода текста; однако связь носит косвенный, а не причинный характер. Разумно сообщить, что было сделано и что было обнаружено, но неправильно выходить за рамки того, что дает методология. Вывод из этого простого исследования, что T9 быстрее, чем multi-tap, был бы неправильным. При более внимательном изучении данных было обнаружено, что пользователи T9 , как правило, были более технически подкованными: они сообщили о значительно большем опыте использования мобильных телефонов, а также сообщили, что отправляли значительно больше текстовых сообщений в день, чем пользователи с несколькими касаниями, которые По большому счету, они сказали, что не любят отправлять текстовые сообщения и делают это очень редко. 10 Таким образом, наблюдаемая разница может быть связана с предыдущим опытом и привычками использования, а не с внутренними различиями в методах ввода текста. Если есть искренний интерес в определении того, быстрее ли один метод ввода текста, чем другой, требуется контролируемый эксперимент. Это тема следующей главы.

Еще один последний момент заслуживает упоминания. Выводы о причине и следствии невозможны в определенных типах контролируемых экспериментов. Если управляемая переменная — это естественный атрибут участников, то выводы о причинно-следственных связях ненадежны.Примеры естественных атрибутов включают пол (женский, мужской), личность (экстраверт, интроверт), ручность (левая, правая), родной язык (например, английский, французский, испанский), политическую точку зрения (слева, справа) и т. Д. . Эти атрибуты являются допустимыми независимыми переменными, но ими нельзя манипулировать, то есть их нельзя назначать участникам. В таких случаях вывод о причине и следствии недействителен, потому что невозможно избежать искажающих переменных (определенных в главе 5).Мужчина, экстраверт, левша и т. Д. Всегда порождают другие атрибуты, которые систематически меняются на разных уровнях независимой переменной. Выводы о причине и следствии в этих случаях ненадежны, потому что невозможно узнать, был ли экспериментальный эффект обусловлен независимой переменной или смешивающей переменной.

Причинная связь — обзор

Внутренняя и внешняя валидность

Причинная связь одной концепции с другой иногда также обсуждается с точки зрения валидности. Внутренняя валидность относится к устойчивости отношения одной концепции к другой, внутренней по отношению к изучаемому исследовательскому вопросу. Большая часть обсуждения в разделе «Угрозы действительности и тесты на валидность» относятся к внутренней валидности меры по сравнению с другой концепцией, с которой она теоретически коррелирует. Внешняя достоверность относится к большей обобщаемости отношений между двумя исследуемыми концепциями. Применимы ли выявленные отношения вне исследовательского исследования?

Связь между одним показателем и другим может быть истинным отношением, или это может быть ложное отношение, вызванное неверным измерением одного из показателей.То есть две меры могут быть связаны из-за неправильного измерения, а не потому, что эти две меры действительно коррелированы друг с другом. Точно так же две меры, которые действительно связаны, могут остаться необнаруженными, потому что неверное измерение препятствует обнаружению корреляции. К настоящему времени читатель должен осознавать, что не все меры являются полностью достоверными, и есть надежда, что ошибка, вызванная проецированием теории на реальный мир, мала и беспристрастна, так что взаимосвязи, будь то выводы о том, что две меры коррелированы или нет, правильно определены.

Все угрозы действительности относятся к силе внутренней достоверности взаимосвязи между двумя показателями, поскольку эти две меры должны быть действительными, чтобы можно было определить истинную взаимосвязь между ними, если таковая существует. Большая часть обсуждения тестов содержания и конвергентной валидности также относится к внутренней валидности. Кроме того, исследователи должны учитывать правила вывода при определении того, являются ли отношения настоящими или ложными. Есть ли неконтролируемые факторы, влияющие на отношения? Классическим примером анализа временных рядов является коинтеграция, перемещение двух рядов вместе во времени, таких как размер населения и размер экономики, или любой другой показатель, который со временем увеличивается или уменьшается.В предыдущем примере явки избирателей смешивающее влияние роста неприемлемого населения привело к тому, что исследователи неправильно коррелировали в значительной степени неверную меру снижения явки избирателей с негативной рекламой, упадком социального капитала, ростом кабельного телевидения, финансированием избирательной кампании, смертью поколения Второй мировой войны, глобализации и упадка усилий политических партий по мобилизации избирателей.

Внешняя валидность относится к обобщаемости отношений вне рамок исследования.Возможно, наиболее отличительной чертой социальных наук от точных наук является то, что социологи не могут позволить себе роскошь проводить контролируемые эксперименты. Невозможно вернуться в историю и изменить события, чтобы определить гипотетические противоречия, в то время как физики могут неоднократно сталкивать частицы вместе и наблюдать, как меняющиеся условия меняют результаты. Ближе всего социальные науки подходят к контролируемым экспериментам в лабораторных условиях, где наблюдают, как люди реагируют на стимулы в контролируемых ситуациях.Но применимы ли эти лабораторные эксперименты к реальным ситуациям извне?

В классическом психологическом эксперименте испытуемому, сидящему на стуле, говорят, что кнопка перед ним соединена с электрическим датчиком, прикрепленным ко второму испытуемому. Когда кнопка нажата, подается возрастающее напряжение. Неизвестно для испытуемого, кнопка прикреплена только к динамику, имитируя крики боли. При определенных обстоятельствах субъекты вынуждены подавать смертельные дозы напряжения.

Такие лабораторные эксперименты поднимают вопрос о том, будут ли в реальных ситуациях испытуемые реагировать аналогичным образом и передавать смертельный заряд другому человеку, то есть является ли эксперимент внешне достоверным? Психологи, социологи, политологи, экономисты, теоретики когнитивных наук и другие, кто участвует в лабораторных экспериментах в области социальных наук, старательно приближают лабораторию к реальному миру, насколько это возможно, чтобы контролировать сбивающее с толку влияние, которое люди могут вести себя по-разному, если они знают, что наблюдаются.Например, это может быть одностороннее окно для наблюдения за поведением ребенка. К сожалению, иногда лабораторную атмосферу невозможно удалить, например, когда испытуемые занимаются компьютерным моделированием, и испытуемые обычно до начала лабораторного эксперимента знают, что за ними наблюдают.

Внешняя достоверность также является проблемой при прогнозировании, когда взаимосвязи, основанные на наблюдаемых взаимосвязях, могут потерпеть неудачу при прогнозировании гипотетических или ненаблюдаемых событий.Например, экономисты часто описывают фондовый рынок как случайное блуждание. Несмотря на аналитические графики, на которых изображены уровни поддержки и простые линии тренда, не существует модели, которая могла бы предсказать, что произойдет в будущем. По этой причине паевые инвестиционные фонды приходят с оговоркой: «прошлые результаты не являются гарантией будущих доходов». Успешный управляющий паевым инвестиционным фондом, вероятно, будет не более успешным, чем другой в следующем деловом квартале.

Фондовый рынок, пожалуй, лучший пример системы, которая очень быстро реагирует на внешние шоки.Непредвиденные потрясения — это проклятие для прогнозирования. Пока условия остаются постоянными, моделирование будет, по крайней мере, в некоторой степени точным, но если мир кардинально изменится, модель может потерпеть неудачу. Точно так же прогнозы экстремальных значений, выходящие за рамки плана исследования, также могут быть ошибочными, или когда мир действует в пределах погрешности прогноза, прогнозы, такие как победитель президентских выборов 2000 года, могут быть неопределенными.

Корреляция и причинно-следственная связь: определение, различия и примеры

Как мобильные маркетологи, мы каждый день принимаем решения на основе данных.Эти решения побуждают пользователей продолжать использовать наши приложения или удалять их. Вот почему мы должны ясно мыслить, когда сталкиваемся с данными, и остерегаться возможных проблем корреляции и причинно-следственной связи.

В последнее десятилетие организации стали отдавать предпочтение решениям, основанным на данных. Это мышление, что без доказательств нет реальной основы для решения. Это делает еще более важным использование статистики как инструмента, который дает представление о взаимосвязях между факторами в данном анализе.Статистика помогает отличить корреляции от причинно-следственных связей.

Пример корреляции и причинно-следственной связи

Моя свекровь недавно пожаловалась мне: «Каждый раз, когда я пытаюсь отправить текстовое сообщение, мой телефон зависает». Беглый взгляд на ее смартфон подтвердил мои подозрения: у нее одновременно было открыто пять игровых приложений, плюс Facebook и YouTube. Попытка отправить текстовое сообщение не приводила к зависанию, в отличие от нехватки оперативной памяти. Но она сразу связала это с последним действием, которое она совершала перед замораживанием.

Она намекала на причинно-следственную связь, где была только корреляция.

Примеры корреляции и причинно-следственной связи в мобильном маркетинге

Корреляции повсюду. Как любят говорить разоблачители теории заговора: «Если вы посмотрите достаточно долго, вы увидите закономерности».

Точно так же, если вы посмотрите достаточно долго, вы можете начать видеть причинно-следственные связи в своих данных мобильного маркетинга, где есть только корреляция. Мы пытаемся найти причину, по которой A и B встречаются одновременно.

Посмотрите, сможете ли вы определить, что есть что в приведенных ниже примерах корреляции и причинной связи:

  • Реализован новый веб-дизайн >> Увеличился трафик веб-страницы
    Был ли рост трафика из-за нового дизайна (причинно-следственная связь)? Или трафик просто увеличился органически в то время, когда был выпущен новый дизайн (корреляция)?
  • Загруженные новые изображения из магазина приложений >> Загрузки увеличились в 2 раза.
    Увеличились ли загрузки из-за появления новых изображений в ваших магазинах приложений? Или они просто произошли одновременно?
  • Push-уведомление отправляется каждую пятницу >> Количество удалений увеличивается каждую пятницу
    Люди удаляют ваше приложение из-за ваших еженедельных push-уведомлений? Или здесь играет какой-то другой фактор?
  • Увеличение количества ссылок на ваш сайт >> Более высокий рейтинг в результатах поисковых систем
    Приводит ли увеличение количества ссылок непосредственно к лучшему ранжированию в поиске? Или они просто взаимосвязаны?

Чтобы лучше понять корреляцию и причинно-следственную связь, давайте начнем с определения терминов.

Искусство адаптации пользователей мобильных приложений

Произведите отличное первое впечатление благодаря длительным отношениям с клиентами. Узнайте, как подключить пользователей к вашему приложению с помощью CleverTap.

Загрузить технический документ

Что такое корреляция?

Корреляция — это термин в статистике, обозначающий степень связи между двумя случайными величинами. Таким образом, корреляция между двумя наборами данных — это степень, в которой они похожи друг на друга.

Если A и B наблюдаются одновременно, вы указываете на корреляцию между A и B.Вы не подразумеваете, что А является причиной Б или наоборот. Вы просто говорите, что когда A наблюдается, то B наблюдается. Они движутся вместе или появляются одновременно.

Мы можем выделить три типа корреляций:

  • Положительная корреляция — это когда вы наблюдаете увеличение A и увеличение B также. Или, если A уменьшается, B соответственно уменьшается. Пример: чем больше покупок совершается в вашем приложении, тем больше времени вы проводите с ним.
  • Отрицательная корреляция — это когда увеличение A приводит к уменьшению B или наоборот.
  • Нет корреляции — это когда две переменные совершенно не связаны, и изменение A не приводит к изменениям в B, или наоборот.

Просто помните: корреляция не подразумевает причинно-следственной связи. Иногда это может быть совпадение. И если вы мне не верите, есть юмористический сайт, полный таких совпадений, под названием «Ложные корреляции». 1 Вот пример:

Что такое причинно-следственная связь?

Причинно-следственная связь подразумевает, что A и B имеют причинно-следственную связь друг с другом.Вы говорите, что А вызывает Б.

Причинность также известна как причинность.

  • Во-первых, причинно-следственная связь означает, что два события появляются одновременно или одно за другим.
  • А во-вторых, это означает, что эти две переменные не только появляются вместе, существование одной вызывает проявление другой.

Корреляция против причинной связи: почему разница имеет значение

Знание разницы между корреляцией и причинно-следственной связью может иметь огромное значение, особенно когда вы принимаете решение на основании чего-то, что может быть ошибочным.

Допустим, вам интересно, было ли увеличение числа активных пользователей в месяц в прошлом месяце вызвано недавними усилиями по оптимизации App Store. Имеет смысл проверить это, чтобы точно сказать, является ли это корреляцией или причинно-следственной связью.

Корреляция против причинно-следственной связи: как определить, является ли что-то совпадением или причинно-следственной связью

Итак, как вы проверяете свои данные, чтобы делать надежные утверждения о причинной связи? Для этого есть пять способов — технически они называются планом экспериментов. ** Мы перечисляем их от самого надежного до самого слабого:

1. Рандомизированное и экспериментальное исследование

Допустим, вы хотите протестировать новую корзину покупок в своем приложении для электронной коммерции. Ваша гипотеза состоит в том, что до того, как пользователь сможет оформить покупку и заплатить за свой товар, проходит слишком много шагов, и что эта трудность является точкой трения, которая мешает им совершать покупки чаще. Итак, вы перестроили корзину покупок в своем приложении и хотите посмотреть, увеличит ли это шансы пользователей на покупку чего-либо.

Лучший способ доказать причинную связь — провести рандомизированный эксперимент. Здесь вы случайным образом назначаете людей для тестирования экспериментальной группы.

В плане эксперимента есть контрольная группа и экспериментальная группа, обе с одинаковыми условиями, но с одной проверяемой независимой переменной. Распределяя людей для тестирования экспериментальной группы случайным образом, вы избегаете экспериментальной предвзятости, когда одни результаты предпочтительнее других.

В нашем примере вы случайным образом назначили бы пользователей для тестирования новой корзины покупок, прототипа которой вы создали в своем приложении, а контрольной группе будет назначена использование текущей (старой) корзины покупок.

После периода тестирования просмотрите данные и посмотрите, ведет ли новая корзина к большему количеству покупок. Если это так, вы можете заявить о наличии истинной причинно-следственной связи: ваша старая корзина мешала пользователям совершить покупку. Результаты будут иметь наибольшую ценность как для внутренних заинтересованных сторон, так и для других людей за пределами вашей организации, с которыми вы решите поделиться ими, именно из-за рандомизации.

2. Квазиэкспериментальное исследование

Но что происходит, если вы не можете рандомизировать процесс выбора пользователей для участия в исследовании? Это квазиэкспериментальный дизайн.Существует шесть типов квазиэкспериментальных схем, каждый из которых имеет различные приложения. 2

Проблема с этим методом в том, что без рандомизации статистические тесты теряют смысл. Вы не можете быть полностью уверены в том, что результаты связаны с переменной или мешающими переменными, вызванными отсутствием рандомизации.

Квазиэкспериментальные исследования обычно требуют более сложных статистических процедур для получения необходимого понимания. Исследователи также могут использовать опросы, интервью и заметки наблюдений — все это усложняет процесс анализа данных.

Допустим, вы проверяете, менее запутан ли пользовательский интерфейс в последней версии приложения, чем в старом UX. И вы специально используете свою закрытую группу бета-тестеров приложений. Группа бета-тестирования была выбрана не случайно, поскольку все они подняли руку, чтобы получить доступ к новейшим функциям. Таким образом, доказать корреляцию против причинно-следственной связи — или, в этом примере, UX вызывает путаницу — не так просто, как при использовании случайного экспериментального исследования.

Хотя ученые могут избегать результатов этих исследований как ненадежных, собранные вами данные все же могут дать вам полезную информацию (подумайте о тенденциях).

3. Корреляционное исследование

Корреляционное исследование — это когда вы пытаетесь определить, коррелированы ли две переменные или нет. Если A увеличивается, а B соответственно увеличивается, это корреляция. Просто помните, что корреляция не подразумевает причинно-следственной связи, и все будет в порядке.

Например, вы решили проверить, имеет ли более плавный UX сильную положительную корреляцию с лучшими рейтингами в магазине приложений. И после наблюдения вы видите, что когда одно увеличивается, другое тоже.Вы не говорите, что A (плавный UX) вызывает B (более высокие оценки), вы говорите, что A тесно связано с B. И, возможно, даже может предсказать это. Это корреляция.

4. Однопредметное исследование

Однопредметный дизайн чаще используется в психологии и образовании, поскольку он касается отдельного предмета. Вместо контрольной и экспериментальной группы субъект выступает в качестве своего собственного контроля. Исследователя беспокоят попытки изменить поведение или мышление человека.

В мобильном маркетинге исследование одного предмета может принимать форму просьбы к одному конкретному пользователю проверить удобство использования новой функции приложения. Вы можете попросить их выполнить одно действие несколько раз в текущем приложении, а затем попросить их попробовать то же действие в новой версии приложения. Соберите данные и посмотрите, будет ли действие выполнено быстрее в старом или новом приложении.

Очевидно, что этот дизайн использует данные от одного пользователя. Его или ее опыт не может быть распространен на всех ваших пользователей, независимо от того, насколько идеально подходит ваш идеальный образ клиента.Это одна из причин, почему этот тип исследования редко используется в маркетинге.

5. Истории

К сожалению, анекдоты иногда являются единственным доказательством, которое у нас есть для установления причинной связи. Вы можете встретить:

  • Персонал службы поддержки: «Клиенты думают, что новый пользовательский интерфейс сложен в использовании. Вот почему они удаляются ».
  • Клиент X в Твиттере: «Мы пытались купить продукт в вашем приложении, и это привело к сбою моего телефона!»

Проблема в том, что, хотя у них может быть действительная болевая точка и они могут сделать это убедительным (и очень эмоциональным) образом, эти истории не доказывают без сомнения, что А вызывает Б.На данный момент это действительно просто истории, и они имеют меньший вес, чем другие варианты, указанные выше.

Корреляция и причинно-следственная связь в мобильной аналитике

Итак, что мы узнали из всех этих примеров корреляции и причинно-следственной связи? Есть способы проверить, вызывают ли две переменные друг друга или просто коррелируют друг с другом.

Если вы серьезно относитесь к установлению причинно-следственной связи, вам следует использовать метод тестирования, который дает вашим данным и результатам наибольшую достоверность.Начните со случайного экспериментального плана и двигайтесь вниз. И всегда следите за тем, как вы думаете или даже озвучиваете свои прогнозы.

Есть латинская фраза, которая гласит: «Post hoc, ergo propter hoc», что означает: «После этого, следовательно, из-за этого». Идея состоит в том, что, сообщая одно утверждение перед другим, вы подразумеваете, что предыдущее вызвало последнее. («Он оценил мое приложение на ноль звезд. Никто не скачивал мое приложение».) На самом деле это может быть просто корреляция или чистое совпадение.


Инфографика от CleverTap

Посмотрите, как ведущие современные бренды используют CleverTap для долгосрочного роста и удержания клиентов.

Запланируйте демонстрацию прямо сейчас!

В чем разница (+ примеры!)

Перейти к тому, что вам интересно прочитать:


Супер краткое резюме

Прежде чем мы начнем официально писать в блоге…

Я знаю, что некоторые из вас просто хотят получить быстрый, без суеты, ответ из одного предложения.Итак, если вы здесь, чтобы получить краткий ответ о том, в чем разница между причинно-следственной связью и корреляцией, вот она:

Корреляция — это связь между двумя переменными; когда одна переменная изменяется, другая переменная также изменяется.

Причинность — это когда есть реальное объяснение того, почему это происходит логически; это подразумевает причину и следствие.

Итак: причинная связь — это корреляция с причиной .

Если вам интересно прочитать полное объяснение, чтобы правильно понять термины, разницу между ними и извлечь уроки из реальных примеров, продолжайте прокручивать!


Прошли дни, когда данные в основном использовались исследователями или были доступны только тем, кто обладал огромным техническим мастерством.Времена, когда получение данных было трудным испытанием, требовавшим месяцев ручного отслеживания, разработки опроса или написания кода отслеживания с нуля , превышает .

Слава богу.

В наши дни, когда все, что находится под солнцем, отслеживается и каталогизируется, каждый имеет широкий доступ к данным. Однако этот обширный доступ может стать большим барьером между компаниями, которые становятся великими, и компаниями, которые этого не делают.

Люди, которые знают, как говорить на языке данных, имеют большое преимущество, потому что они могут владеть этим мощным инструментом.

Великие маркетологи больше не придумывают кампании, основанные на интуиции; вместо этого они позволяют своим данным сказать им, на какой кампании им следует сосредоточиться, а затем используют свой маркетинговый опыт для создания именно той оптимальной кампании, определенной с помощью данных.

Отличные менеджеры по продукту предлагают тесты и изменения продукта на основе обширных исследований пользователей и данных об использовании продукта.

Каждый может использовать данные в своей роли, и получить доступ к актуальным для вас данным несложно.

Но часто самым большим препятствием является понимание: «Имея все эти данные, как я могу узнать, что на самом деле важно, на чем сосредоточить свои усилия и какие шаги нужно предпринять?»

В этой записи блога, состоящей из двух частей, я покажу вам, как отвечать на эти вопросы и что означает правильное использование ваших данных.

В этом посте мы рассмотрим основы, такие как понимание, что такое корреляция и причинно-следственная связь на самом деле, и более подробно рассмотрим свойства корреляции, различные типы и роль, которую играет шум.

Во втором сообщении блога мы рассмотрим формулы для определения силы корреляции, как они могут помочь нам определить причинно-следственную связь и как понять, насколько важна каждая переменная для конечного результата.

Что такое корреляция и причинно-следственная связь?

Ключ к правильному использованию ваших данных заключается в понимании разницы между причинно-следственной связью и корреляцией, поэтому давайте теперь рассмотрим каждый из этих терминов.

Что такое причинно-следственная связь?

Суть причинно-следственной связи заключается в понимании причины и следствия.

Это примерно так:

  • Дождевые облака вызывают дождь
  • Физические упражнения вызывают рост мышц
  • Переедание вызывает увеличение веса

Предполагается, что , потому что произошло , x , затем следует y ; есть причина и следствие.

Однако это не особенно практично в деловой среде.

Когда вы просматриваете свои данные в практической обстановке, вы в основном ищете ответы на вопросы, в зависимости от вашей роли, например следующие:

  • Какой канал привлечения клиентов является наиболее успешным и почему?
  • Какие части моего продукта нравятся моим пользователям больше всего?
  • Почему люди покупают мой продукт / платят за мои услуги?

И, в конечном итоге, то, что вы хотите сделать, — это различать факторы, которые действительно способствовали более успешному каналу, лучшую часть продукта или причину, по которой клиенты покупают то, что вы продаете. .

Здесь вы ищете индикаторы, которые подскажут, какое из ваших действий привело к желаемому результату.

Обычно это никогда не что-то одно, а скорее — комбинация множества факторов, каждый из которых в той или иной степени играет роль в конечном результате.

Итак, на практике это может стать очень трудным, потому что у вас часто происходит много вещей одновременно.

Например, если вы работаете в маркетинговой команде и видите, что ваше последнее сообщение в блоге или видео привлекает большой веб-трафик на ваш сайт, вы можете задаться вопросом, действительно ли это произошло из-за ваших усилий или из-за:

  • Новое дополнение к продукту, которое команда разработчиков выпустила на прошлой неделе, или
  • Приглашение вашего генерального директора в подкаст, или
  • Праздники не за горами, или
  • Кто-то разместил положительный отзыв о вашем продукте в популярный сайт,
  • и т. д.

Или, если вы хотите быть более точным, , какая часть этого увеличения трафика произошла из-за созданного вами контента по сравнению с другими переменными факторами?

Как вы понимаете, установить причинно-следственную связь может быть довольно сложно. Поскольку на практике эти вещи могут стать настолько трудными, вы часто будете сталкиваться с родственным, но более общим понятием, называемым корреляцией.

Что такое корреляция?

Корреляция описывает взаимосвязь между двумя разными переменными, которая гласит: , когда одна переменная изменяется, изменяется и другая.

Зависимые и независимые переменные

Когда у вас есть пара коррелированных переменных, одна называется зависимой переменной, а другая — независимой переменной.

Значение, которое зависимая переменная принимает для , зависит от значения, которое имеет независимая переменная. Вы можете думать о независимой переменной как о той, которая задает сцену, и зависимая переменная должна реагировать соответствующим образом.

Например, если вы анализируете, сколько блюд готовят в вашем ресторане на основе количества клиентов, то количество приготовленных обедов является зависимой переменной, а количество клиентов — независимой переменной.

При большем количестве клиентов вам нужно готовить больше блюд, но если вы просто начнете готовить больше блюд, вы, вероятно, не собираетесь волшебным образом привлекать больше клиентов в свой ресторан.

Иногда эти отношения могут стать более туманными.

Например: если вы анализируете общее время просмотра ваших видео на Youtube по сравнению с количеством просмотров видео.

В этом случае зависимой переменной является время просмотра, а независимой переменной — количество просмотров, поскольку время просмотра зависит от количества просмотров и количества просмотров каждым человеком.

Хотя вы можете оценить количество просмотров на основе времени просмотра, эта взаимосвязь не имеет большого смысла, поскольку зритель сначала должен нажать на ваше видео и начать просмотр, прежде чем они смогут внести свой вклад в время просмотра.

Основные свойства корреляций

Корреляции могут быть:

  1. Положительный
  2. Отрицательный (обратно коррелированный)
  3. Не коррелированный

Их корреляцию можно классифицировать как:

  1. Слабая
  2. Сильная
  3. Идеальная

В расширенном сообщении в блоге, которое выйдет на следующей неделе, мы рассмотрим статистические тесты, которые вы можете провести для определения силы корреляции, но здесь мы сначала сосредоточимся на получении лучшее понимание того, что на самом деле означает и как выглядит корреляция.

На следующих графиках показаны типы корреляций, упомянутые выше:

В каждом столбце мы показываем сначала отсутствие корреляции, затем слабую корреляцию, сильную корреляцию и идеальную корреляцию.

Первая и вторая строки показывают положительную и отрицательную линейную корреляцию соответственно.

  • Положительная корреляция означает, что когда одна переменная растет, другая растет.
  • Отрицательная корреляция означает, что когда одна переменная растет, другая падает.

Как мы видим, отсутствие корреляции просто не показывает никакой взаимосвязи: перемещение влево или вправо по оси x не позволяет нам предсказать какие-либо изменения по оси y.

Например, нет корреляции между весом моей кошки и ценой нового компьютера; они не имеют никакого отношения друг к другу.

(Если бы между весом моей кошки и ценой на новый компьютер существовала положительная корреляция, у всех нас были бы большие проблемы.)

Слабая корреляция означает, что мы можем видеть положительный или отрицательный тренд корреляции, глядя на данные издалека; однако эта тенденция очень слабая и может исчезнуть, когда вы сосредоточитесь на определенной области.

Например, возьмем слабую положительную и слабую отрицательную линейную корреляцию сверху и увеличим область x от 0 до 4.

Вот что может получиться:

И внезапно та слабая корреляция, которую мы видели раньше, исчезла.

Это показывает нам, что, хотя слабая корреляция может сообщить нам информацию о более крупных тенденциях, эти правила могут не работать при просмотре в меньшей области.

Следовательно, когда у нас слабая корреляция, мы должны быть осторожны, чтобы не пытаться использовать ее в слишком маленьком масштабе.

Сильная корреляция означает, что мы можем увеличивать масштаб намного, намного дальше, пока нам не придется беспокоиться о том, что это соотношение не соответствует действительности. Если мы возьмем нашу сильную положительную и сильную отрицательную корреляцию сверху, а также увеличим масштаб до области x от 0 до 4, мы увидим следующее:

Верхний ряд показывает нам, как выглядят сильные корреляции, когда мы увеличиваем масштаб по оси x в диапазоне от 0 до 4.Как мы видим, даже здесь корреляции все еще очень очевидны, и они все еще довольно сильны (хотя и не так сильно, как раньше).

Чтобы попасть в область, где эта корреляция больше не соблюдается, нам нужно довольно сильно увеличить масштаб, что мы видим в нижней строке приведенного выше графика.

Здесь мы увеличили масштаб до области, где x находится в диапазоне от 0,5 до 1,5, что составляет 10% от нашего исходного диапазона. В этом масштабе наши корреляции больше не видны, даже в слабой форме.

И, наконец, идеальная корреляция — это корреляция без какого-либо шума, и не имеет значения, насколько сильно мы увеличиваем масштаб, она всегда будет оставаться идеальной. Этот тип корреляции непрактичен, но все же важно знать, как выглядит «идеальная» корреляция.

Сила корреляции и наклон?

Еще одна вещь, которую часто неправильно понимают в отношении корреляций, заключается в том, что сила корреляции зависит от наклона .

Взгляните на следующие графики.Все они, за исключением одного, демонстрируют сильную корреляцию с одинаковой силой.

Обратите внимание, как мы можем иметь сильную корреляцию независимо от того, большой ли у нас (левый столбец) или маленький (средний столбец) наклон.

В крайнем правом столбце показан график без корреляции, несмотря на то, что практически нет шума. Это связано с тем, как определяются корреляции: насколько изменение одной переменной влияет на другую переменную.

В этом случае значение y не зависит от значения x, следовательно, это еще один пример отсутствия корреляции (хотя более реалистичный пример отсутствия корреляции больше похож на случайный разброс точек, который мы видели в визуал в предыдущем разделе.)

Что такое шум и почему он важен для измерения корреляций

Вы могли заметить, что средний столбец приведенного выше графика больше похож на идеальную корреляцию, чем крайний левый столбец. Это потому, что сила корреляции зависит от масштаба вашего шума относительно наклона.

Итак, чтобы средний и левый столбцы имели одинаковую силу корреляции, масштаб шума в среднем столбце должен быть меньше, чем масштаб шума в левом столбце, поскольку средний столбец имеет меньший (более мелкий) наклон. .

Причина этого в том, что мы более подробно обсудим в расширенном сообщении в блоге, которое выйдет на следующей неделе, так что пока просто знайте, что у вас могут быть очень сильные корреляции, даже если ваш наклон не очень большой.

Давайте сейчас сосредоточимся только на одном термине: шум.

Итак, что такое шум?

Шум ссылается на вариацию ваших данных. Он существует, потому что всегда есть много вещей, влияющих на данные, которые вы просматриваете.

Мы видели шум на наших графиках выше, особенно если посмотреть на различные силы корреляции.

Давайте снова возьмем это изображение:

В крайнем левом столбце мы видим много шума; данные сильно различаются, и все выглядит повсюду.

Второй столбец слева показывает общую тенденцию, как мы обсуждали выше, но есть еще много изменений. Мы можем видеть на нашей оси Y, что значения y меняются примерно от 0 до 4, но ширина нашей линии составляет около 2.

В третьем столбце слева («Сильная положительная / отрицательная линейная корреляция») мы видим гораздо более четкую тенденцию. Наши данные все еще немного колеблются, но не сильно. В данном случае у нас мало шума .

В крайнем правом столбце нет никаких колебаний и отображается идеальная прямая линия без шума.

Вот так «выглядит» шум. Мы также сравнили наш шум только со значениями y, но точки данных x и y будут иметь шум, который влияет на них.

Но давайте сделаем это более практичным.

Что такое шум на самом деле и откуда он возникает?

Представим, что вы создали игру для смартфона, и посмотрите, сколько времени каждый пользователь потратил на вашу игру при первой загрузке.

Лучше всего это представить в виде гистограммы, которая может выглядеть так:

Обычно после построения точек данных, которые есть у вас или , появляется форма распределения, и вы можете оценить форму распределения на основе имеющихся точек.

Идеальное распределение — это то, как ваше распределение выглядел бы, если бы у вас было бесконечное количество точек данных. Это распределение может принимать любую форму; это не обязательно должно быть нормальное распределение, подобное показанному выше.

Отклонение от идеального распределения, которое мы видим на гистограмме, является еще одной формой шума. Шум изменяет точки данных на основе факторов, не зависящих от эксперимента.

Этот шум исходит от таких вещей, как:

  • Пользователь запускает вашу игру, а затем забывает ее выключить, заставляя их оставаться включенными дольше
  • Другой пользователь вызван на обед своей мамой
  • Игра другого пользователя вылетела, поэтому они не могли играть в первый раз

Все это приводит к появлению шума, который заставляет ваши данные отклоняться от «идеальной» формы, которая была бы, если бы каждого пользователя просто поместили в пустую комнату и попросили играть в вашу игру до тех пор, пока он не перестанет ощущать это.

Итак, при любом анализе данных, который вы когда-либо проводите, следует помнить о шуме, и в идеале вы должны минимизировать влияние шума на свои данные.

Контроль шума

На ваши данные всегда будет влиять шум, но , если вы хотите попытаться уменьшить количество шума в ваших данных, вы можете попытаться контролировать некоторые источники шума.

Например, вы могли смотреть только на тех пользователей, чье приложение не было закрыто из-за ошибки, так что вы можете контролировать шум, исходящий от сбоев пользовательских приложений.

Для каждой переменной шума, которую вы контролируете, размер вашей выборки будет уменьшаться, поэтому, если вы попытаетесь контролировать слишком много вещей, у вас будет слишком мало точек данных, которые не позволят вам ничего делать. тоже полезно.

Итак, что вы хотите сделать, это определить ваши самые большие источники шума , , то есть какие переменные приводят к наибольшему количеству колебаний, и попытаться контролировать эти .

Таким образом, вы сохраните размер выборки как можно большим, контролируя только несколько вещей, при этом устраняя как можно больше шума.

Конечно, поиск правильного баланса между допустимым количеством шума и желаемым размером выборки всегда зависит от того, что вы делаете, поэтому, в конце концов, вам нужно решить, будет ли количество шума, которое вы видите на вашем графике приемлемо для анализа, и если размер выборки достаточно велик.

Есть несколько математических методов, которые вы можете использовать, чтобы помочь с этим, об этом мы поговорим в расширенном сообщении в блоге на следующей неделе, если вам интересно.

Типы корреляции

Выше мы видели примеры положительных и отрицательных линейных комбинаций при разной силе корреляции, но корреляции не обязательно должны быть линейными.

Они также могут иметь множество различных форм, таких как линейные, квадратичные, экспоненциальные, логарифмические и в основном любые другие функции, о которых вы только можете подумать.

На следующих графиках показано несколько примеров коррелированных переменных:

Мы можем видеть на крайнем левом графике, что, когда значение «x» увеличивается, значение «y» увеличивается на пропорциональную величину, и эта величина всегда одинакова.

Взаимосвязь между осью x и осью y может быть описана уравнением «y = mx + b», которое делает этот тип корреляции линейным (это также легко увидеть по прямой линии на графике).

На среднем графике мы видим, что в зависимости от того, где мы находимся на графике, значение ‘y’ уменьшается (при x <~ 3), на самом деле не изменяется (примерно при x = 3) или увеличивается с х (при х> ~ 3).

Здесь очень важно отметить, что, хотя корреляции не обязательно должны быть линейными, стандартно искать только линейные корреляции, потому что их проще всего искать и легче всего проверять с помощью формул.

Давайте взглянем на несколько примеров корреляций, например:

  • Чем жарче погода, тем больше мороженого вы продаете
  • Чем больше голосов получает ваш контент на Reddit, тем больше посетителей страницы вы получаете из этого сообщения
  • Чем больше у вас подписчиков в Instagram, тем больше продаж вы делаете в своем бизнесе

Чтобы лучше понять эти примеры, я визуализировал, как могут выглядеть графики для каждого из приведенных выше примеров.

Вот количество покупателей мороженого в зависимости от температуры:

Вот посетители страницы, против которых проголосовали за Reddit:

А вот график ежемесячных продаж бизнеса относительно подписчиков в Instagram:

Обратите внимание, что ни один из них не имеет реальной линейной формы.

И на самом деле — наши продажи мороженого, кажется, достигают максимума примерно на 200, посещения страниц с голосованием Reddit, кажется, растут намного быстрее после того, как мы дадим 20-30 голосов, а продажи продуктов, похоже, растут медленнее, когда мы попадаем в тысячи Instagram. последователи.

Итак, чтобы быть более точным, мы, , могли бы сказать, что первый график выглядит как S (он же сигмовидная форма), второй график выглядит слегка экспоненциальным или как степенное соотношение, а третий график выглядит немного логарифмическим, потому что он выравнивается.

Тем не менее, я по-прежнему рекомендую, чтобы, если он выглядит более или менее линейным, рассматривать его части как линейные для вашего анализа.

Моя точка зрения: эти корреляции выглядят достаточно близкими к линейным, чтобы мы могли считать их части линейными, а не рассматривать их как более сложные формы, которые может быть труднее оценить и которые не приведут к значительному улучшению ваших результатов.

Конечно, когда связь слишком далека от линейной, вы не можете считать ее просто линейной.

Итак, из приведенных выше графиков мы можем прийти к следующим выводам, рассматривая их части как линейные корреляции как часть более сложных форм:

  • На графике мороженого существует определенный диапазон температур, в котором потребительский спрос быстро растет (в центре), а во внешних областях спрос мало меняется. Нашему магазину мороженого не нужно планировать до последнего рожка мороженого, проданного в конкретный день, но было бы очень полезно знать, сколько ведер мороженого нужно приготовить в целом, исходя из завтрашнего прогноза погоды.
  • С помощью Reddit мы можем подготовить наши серверы к увеличению трафика на случай, если наша публикация начнет тренд, чтобы убедиться, что у наших пользователей не слишком долгое время загрузки на наш сайт. С помощью графика мы можем сделать обоснованные оценки ожидаемого трафика и минимизировать риск недо- или перекупленности.
  • Или с нашими подписчиками в Instagram , мы знаем, какую отдачу ожидать при определенном количестве подписчиков. Но с уменьшающейся отдачей, которую мы видим на графике выше, мы можем захотеть подумать о стратегиях того, как сделать наших нынешних последователей более лояльными или заинтересованными, а не просто пытаться постоянно получать новых подписчиков.

В чем разница между причинно-следственной связью и корреляцией?

Итак, вопрос на миллион долларов: в чем разница между причинно-следственной связью и корреляцией?

Ну, короче:

Корреляция — это мера для того, как зависимая переменная реагирует на изменение независимой переменной.

Корреляция, в конце концов, — это просто число, полученное из формулы.

Причинность — это особый тип отношений между коррелированными переменными, в котором конкретно говорится, что изменение одной переменной вызывает соответствующую реакцию другой.

Причинная связь добавляет реальный контекст и значение корреляции.

Все причинные связи являются корреляциями, но не все корреляции являются причинными связями.

У вас могут возникнуть корреляции между переменными чисто случайно, поэтому, размышляя о причинно-следственной связи, мы должны спросить себя:

  • Имеет ли смысл эта корреляция? Есть ли между этими переменными фактическая связь ?
  • Сохранится ли / будет ли корреляция, если я посмотрю на некоторые новые данные, которые я не использовал в своем текущем анализе?
  • Связь между этими переменными прямая, или они обе являются результатом какой-то другой переменной?

Примеры корреляции и причинно-следственной связи

Вот несколько быстрых примеров корреляции vs.причинно-следственная связь ниже.

Примеры корреляции, НЕ причинно-следственной связи:

  • « В те дни, когда я бегаю, я замечаю на дороге больше машин. «
    • Лично я НЕ ПРИЗЫВАЮ больше автомобилей выезжать на дорогу, когда я бегу. Просто потому, что я выбегаю на улицу, я вижу больше машин, чем когда остаюсь дома. Эта связь не является причинно-следственной , потому что ни машины, ни я не влияем друг на друга.

Хорошо, а как насчет примера, который на первый взгляд может показаться более связанным с :

  • В дни, когда я пью кофе, я чувствую себя более продуктивным.
    • Конечно, я могу чувствовать себя более продуктивно благодаря кофеину. Но это также может быть связано с тем, что я хожу в кафе, чтобы выпить кофе, и я более продуктивен в кафе, чем дома, когда есть миллион отвлекающих факторов. Эта причинно-следственная связь ЕСТЬ НЕ подтверждена.

Примеры причинно-следственной связи:

  • После тренировки я чувствую себя физически истощенным.
    • Это причинно-следственная связь , потому что Я целенаправленно доводю свое тело до физического истощения при выполнении упражнений.Мышцы, которые я использовал для упражнений, истощены (эффект) после того, как я упражняюсь (причина). Эта причинно-следственная связь IS подтверждена.
  • Когда я кормлю кошку более чем двумя лакомствами в день, она становится немного более пухлой.
    • Моя кошка толстеет , потому что я кормлю ее больше. Это причина и следствие. Причина в том, что я кормлю кошку лакомствами, а в результате она становится немного круглее.

Отличить причинно-следственную связь от корреляции может быть сложно, когда вещи имеют положительную или отрицательную корреляцию без какой-либо причины или из-за, казалось бы, случайных, несвязанных причин.

Давайте представим, что каждый раз, когда я пью кофе, в Испании цены на кукурузу растут.

Это была бы положительная корреляция: когда я увеличиваю потребление кофе, цена на кукурузу возрастает.

Но делает ли это магическим образом причинную связь? Нет.

То, что я пью больше кофе, НЕ означает, что я вызываю рост цен на кукурузу в Испании.

Между мной и ценами на кукурузу нет причинно-следственной связи.

Хотя … если по какой-то странной, сложной логистической причине глобальной цепочки поставок, связанной с моим спросом на кофе, увеличивающим производство кофе в Испании, что затем каким-то образом увеличивает стоимость на соседних кукурузных полях, тем самым фактически увеличивая цены на кукурузу, и, НА ФАКТЕ, была причинно-следственная связь … Тогда это была бы другая история.

Но, к счастью, в этом сценарии , вероятно, нет причинного эффекта, просто корреляция.

Эти примеры немного более анекдотичны с целью установить разницу между ними, но давайте рассмотрим более практический сценарий, в котором граница между причинно-следственной связью и корреляцией может быть размыта.

Например, давайте рассмотрим две переменные: 1) количество лайков на видео на Youtube и 2) общее время просмотра видео.

Мы можем видеть, что с увеличением количества лайков на видео увеличивается и общее время просмотра видео. Точно так же с увеличением общего времени просмотра увеличивается и количество лайков.

Следующее изображение представляет собой построенный мною график зависимости между временем просмотра и количеством лайков для выбранной группы видео на Youtube, чтобы помочь нам визуализировать эту связь:

Здесь мы видим слабую положительную корреляцию, которая не является полностью линейной, но для простоты мы будем приближать ее к линейной.

Но что это значит? И в каком направлении идет эта корреляция? Какая из них является зависимой, а какая независимой?

Ну, эти переменные могут быть слабо связаны друг с другом:

  • Чем больше лайков, тем больше людей смотрели видео дольше, потому что оно им понравилось, или,
  • , что больше людей понравилось видео, потому что они смотрели его дольше и получали от него удовольствие.

Объяснения в обоих направлениях имеют смысл, но можно с уверенностью сказать, ни одно из них на самом деле не вызывает друг друга.

Лучшая причинная переменная, которая также коррелирует с обеими этими переменными, — это переменная «количество просмотров» в видеороликах Youtube. Зрители несут ответственность за то, чтобы лайкать и смотреть видео, и, следовательно, они увеличивают эти цифры.

В этом случае на самом деле может происходить то, что переменная «количество просмотров» ВЫЗЫВАЕТ более высокое время просмотра и увеличение количества лайков для видео. И переменные «время просмотра» и «лайки» являются корреляциями друг с другом только из-за их случайной связи с переменной «количество просмотров», но сами переменные «время просмотра» и «лайки» не имеют причинной связи с ними. друг с другом.

Итак, как вы понимаете, существует случаев , в которых мы можем получить корреляции между переменными, которые возникают непосредственно из-за причинной связи между ними.

Важно отметить, что если у вас есть причинная переменная, которая коррелирует с несколькими другими переменными, то эти другие переменные также могут быть коррелированы друг с другом просто из-за их зависимости от одной и той же причинной переменной.

Это то, что мы видели в примере выше.

Короче говоря, корреляция — это очень важная взаимосвязь между переменными, которая может указывать на причинно-следственные связи, но сами корреляции иногда могут вводить в заблуждение или быть неинформативными.

Если мы не оценили эту взаимосвязь и не нашли фактическое значение, которое связывает две переменные, нам не следует, , начинать принимать решения, основываясь на том, как мы нашли коррелированную, но в остальном, казалось бы, несвязанную переменную для поведения.

И это все, что написано в блоге на этой неделе!

Следите за обновлениями на следующей неделе, и вы увидите вторую часть этого сообщения в блоге, где мы более подробно рассмотрим эту тему.



Какие причинные связи имеют отношение к алгебре?

Причинно-следственные связи — это связи между двумя вещами, при которых состояние одного изменяется или влияет на состояние другого.Причинно-следственная связь указывает на корреляцию между двумя значениями, когда одно фактически вызывает изменение другого. В алгебре понимание взаимосвязи между двумя значениями может помочь вам предсказать будущие значения при построении графиков.

Алгебраические отношения

Связь между двумя значениями не обязательно подразумевает причинно-следственную связь. Например, уровень преступности может возрасти с ростом населения, что подразумевает корреляцию, но это не означает, что рост населения стал причиной преступности.Однако, если температура снаружи дома повысится, поддержание прохлады в доме будет стоить дороже. Наружная температура напрямую влияет на внутреннюю температуру, заставляя кондиционер работать чаще, чтобы поддерживать более низкую внутреннюю температуру, и увеличивать счет за электричество. Итак, в этом примере, если A представляет собой внешнюю температуру, а C — это плата по счету, по мере увеличения A, то же самое и C. вы можете увидеть, как A влияет на C, и спрогнозировать будущие затраты на основе значений A.Например, если вы обнаружите, что на каждый градус повышения температуры (обозначенного буквой D) стоимость электроэнергии возрастает на 20 долларов, вы можете использовать уравнение для расчета затрат. Если температура равна 90, а счет составляет 130 долларов, при температуре 95 вы можете определить, что в этом случае D равно пяти, поэтому C равно 100 долларам. Предполагая, что эти значения остаются постоянными, вы увидите, что значения на графике линейны — когда вы размещаете значения на графике, они образуют точки на одной линии.

Использует

Другие факторы также могут вызвать увеличение стоимости электроэнергии, например, если люди больше смотрят телевизор, стирают больше одежды или оставляют включенным свет.Хотя температура и затраты могут быть причинно-следственной связью, использованные ватты электроэнергии и стоимость представляют собой более прямую причинно-следственную связь — метод, который используют поставщики электроэнергии для определения суммы взимаемой платы.

About the Author

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Related Posts