Примеры причинно следственной связи: Причинно-следственные связи в историческом сочинении — Историческое сочинение — Решебник заданий ЕГЭ — Все статьи

Причинно-следственные связи в историческом сочинении — Историческое сочинение — Решебник заданий ЕГЭ — Все статьи

 

Для начала, еще раз прочитаем требования по критерию К3. 

По данному критерию необходимо: 
«правильно указать две причинно-следственные связи, характеризующие причины возникновения событий/явлений/процессов, происходивших в данный период». 

Итак, необходимо указать две ПСС, и не какие-нибудь, а именно те, которые характеризуют причины (!) возникновения событий данного периода. 
  
 

Что именно понимается под причинно-следственной связью?

ПСС —  связь между историческими событиями (процессами, явлениями), при которой одно событие (процесс, явление), называемое причиной, при наличии определенных исторических условий порождает другое событие (процесс, явление), называемое следствием. 
  
Таким образом, эксперты ЕГЭ хотят увидеть в сочинении то, как выпускник умеет показывать СВЯЗЬ между двумя историческими событиями.

Связь между событием-причиной и событием-следствием. 

При этом, событие-следствие должно находиться именно в рамках того периода, по которому пишется сочинение. Событие-следствие не должно находиться за верхней границей или нижней границей периода, оно должно относиться именно к данному (!) периоду. 
  
К событию (явлению, процессу), которое произошло в рамках заданного периода, необходимо подобрать те события (явления, процессы) из прошлого, которые послужили его причиной. 

 

Какие требования к событию-причине?

1) Событие-причина может находиться как в рамках периода, так и за нижней границей. За верхнюю границу периода невозможно выйти: ведь причины могут находиться только в прошлом, но не в будущем. 
  
Пример «в рамках периода» : 
Непродуманная налоговая политика приближенных царя Алексея Михайловича стала одной из причин Соляного бунта.

 
  
Пример «за нижней границей»: 
Издание указа Петра I о престолонаследии было одной из причин начала эпохи дворцовых переворотов.  
  

2) При указании ПСС могут быть названы не только причины, но и предпосылкисобытий, процессов, явлений. 
Предпосылка – это условие, повлиявшее на начало данного события. 
  
Например: 
 Влияние идей эпохи Просвещения не было прямой причиной восстания декабристов на Сенатской площади, но явилось его предпосылкой. 
  
 

Далее – выдержки из сочинений и комментарии по их оцениванию (К3)

  

Период: 945 – 972 гг.

В отрывке из сочинения есть следующие ПСС:   
1) Крещение Ольги (это причина) и укрепление связей между Русью и Византией (

это следствие). 
2) Приближение России к византийским границам (это причина) и начало русско-византийской войны (это следствие). 

«Будучи мудрой и дальновидной правительницей, Ольга решает принять религию Византийской империи – христианство. В 957 году происходит крещение Ольги в Константинополе. Ее крестным отцом стал византийский император. Такой шаг способствовал укреплению международный связей Руси и Византии: как политических, так и экономических. 

В эти же годы происходит молниеносная война с Болгарией, закончившаяся победой русского князя. В результате войны Русь получила новые земли, однако присутствие воинственного Святослава у границ Византии не устраивало византийского императора. В связи с этим в 970 году начала русско-византийская война». 

 

Период: сентябрь 1689 г. – декабрь 1725 г.

  
В отрывке из сочинения есть следующие ПСС:   
1) Северная война  (это причина) и введение рекрутской повинности (это следствие). 
2) Условия работы строителей Санкт-Петербурга  (это причина) и высокая смертность рабочих (это следствие). 
  
«Чтобы укрепиться на завоеванной территории российский правитель в 1703 году основал город, который сейчас называется Санкт-Петербург. Началось строительство с заложением на Заячьем острове крепости, ну а сам город строился с большой смертностью рабочих. Это связано с «рабским» отношением к строителям, работавших в сложном климатическом районе с «невыносимыми» для простого человека работами часами. 

Во время войны власть нуждалась в деньгах и служивых людях. Вопрос со служивыми людьми был решен всеобщей рекрутской повинностью, что обеспечило войну войском и увеличило его в несколько раз».

 

 

Период: октябрь 1894 г. – июль 1914 г.

В отрывке из сочинения есть следующие ПСС:   
1) Проникновение Россию в Маньчжурию (это причина) и начало русско-японской войны (это следствие). 
2) Аренда Порт-Артура (это причина) и начало русско-японской войны (это следствие). 
3) Поражение России в русско-японской войне (это причина) и потеря Россией Южной части Сахалина (это следствие). 
  
«В 1904-1905 гг. была русско-японская война. Причинами этой войны послужило то, что железная дорога России шла через Китай, и то, что наша страна арендовала Порт-Артур для создания там флота. Японии это всё не понравилось. Мы проиграли эту войну. Началось строительство железной дороги на нашей территории, мы потеряли южную часть Сахалина». 

 

Период: октябрь 1964 г. – март 1985 г.

В отрывке из сочинения есть следующие ПСС:   
1) Косыгинская реформа (это причина.) и увеличение  материальной заинтересованности работников  и др. (это следствие). 
2) Внешняя политика, проводимая А.А. Громыко (это причина) и начало курса на мирное сосуществование (это следствие). 
  
«Разработать проект реформы и воплотить его в жизнь было поручено А. Косыгину <…>  Следствием реформы стало увеличение материальной заинтересованности работников, увеличение экономических показателей, строительство новых заводов. Однако затем произошло снижение показателей, и реформа была свернута. 
  
Что касается внешней политики, то данный период характеризуется так называемой «разрядкой» в международных отношениях. Важнейшей фигурой в проведении внешней политики СССР был министр иностранных дел Громыко <…> Последствием его внешней политики можно назвать начало курса на мирное сосуществование с капиталистическими странами». 

 

 Период: октябрь 1964 г. – март 1985 г.

  
В отрывке из сочинения есть следующая ПСС:   
1) Ввод советский войск в Афганистан (это причина) и бойкот Олимпийских игр 1980 г. западными странами (это следствие) 
  
«В 1980 г. в СССР проводились Летние Олимпийские игры. Многие западные страны на Игры не приехали. Они забойкотировали их из-за ввода советских войск в Афганистан в 1979 г.». 
  
 

Общий вывод

Чтобы получить два балла по К3, необходимо как минимум два раза указать в тексте, что «определенное событие (явление, процесс) данного периода произошло, потому что … ».   

При этом здесь необязательно называть каких-либо исторических деятелей, перечислять их конкретные действия и т.

д. 

У вас может быть несколько отдельных связок в сочинении: 
 

• «Событие №1 + личность + конкретные действия»  — для К-1 и К-2
• «Событие №2 + личность + конкретные действия»  — для К-1 и К-2
• «Событие №3 + его причины/предпосылки» — для К-3
• «Событие №4 + его причины/предпосылки» — для К-3

Обратите внимание, что можно писать не только о событиях, но и об исторических явлениях и процессах. 
  
Например, в примерах выше говорится о таком процессе как «укрепление связей между Русью и Византией» и о таком явлении как «высокая смертность рабочих при строительстве Санкт-Петербурга» . 
 

 

Скачать методические рекомендации для экспертов — ссылка

 

___

Подпишитесь и следите за выходом новых публикаций в моем сообществе Вконтакте «История ЕГЭ и кот Степан» vk.com/historystepa .

 

Почему? Новая наука о причинно-следственной связи

Основная идея

Мы часто слышим фразу «Корреляция – это не причинно-следственная связь». Но табу, некогда наложенное статистикой на разговоры о каузальности, постепенно исчезает, и не в последнюю очередь благодаря революции причинности. В чем же состоит суть новой науки? Почему большие данные не могут ответить на все вопросы и как все же научиться искать на них ответы?

Причинный вывод

Книга рассказывает о новой науке, изменившей способ, которым мы отличаем факты от вымысла. Эта наука влияет на повседневную жизнь людей и может оказывать значительное воздействие на разные сферы, начиная от создания новых лекарств и заканчивая экономическими вопросами или глобальным потеплением. Несмотря на то, что спектр проблемных зон достаточно широк, эта наука позволяет рассматривать их унифицированно, что казалось невозможным еще 20 лет назад. Авторы называют эту науку «причинный вывод» (causal inference).

Десятки тысяч лет назад люди начали понимать, что некоторые вещи становятся причиной других событий, и если повлиять на причину, то изменится и следствие. Благодаря этому открытию возникли организованные сообщества, города, а также цивилизация, опирающаяся на науку и технологии. Произошло это благодаря вопросу: «Почему?»

Причинный вывод основывается на том же вопросе. Эта наука опирается на тезис: человеческий мозг – самый совершенный инструмент для управления причинами и следствиями. Он хранит невероятный объем каузального знания, которое, будучи подтвержденным данными, способно помочь нам найти ответы на самые сложные вопросы современности.

Более того, авторы считают, что если мы поймем логику каузального мышления, то сможем воспроизвести ее на компьютере и создать искусственного ученого. Этот робот будет открывать неизвестные доселе феномены, искать объяснения текущим научным дилеммам, разрабатывать новые эксперименты и постоянно извлекать новые каузальные знания из окружающей среды.

Однако это произойдет еще не сегодня, в то время как новая наука уже сейчас изменяет мышление ученых и влияет на наши жизни. В частности, она помогает искать ответы на такие вопросы:

— Насколько эффективно определенное средство в профилактике заболевания?

— Что стало причиной роста продаж: новый закон или наша рекламная кампания?

— Стоит ли мне менять работу?

Во всех этих пунктах есть нечто общее: причинно-следственные отношения. Наш мир полон подобных вопросов и нуждается в ответах, но до выделения причинного вывода в отдельное направление процесс поиска решений был очень сложен.

Почему авторы называют причинный вывод новой наукой, если еще Вергилий в 29 году до н.э. говорил: «Счастлив тот, кто смог понять причины вещей?». Самым серьезным препятствием они считают огромный разрыв между словарем, которым мы пользуемся, задавая каузальные вопросы, и традиционным научным словарем, с помощью которого формулируются научные теории.

Простой пример: показания барометра B = kP, где k  – коэффициент пропорциональности, а Р – атмосферное давление. Правила алгебры позволяют переписать это уравнение так: P = B/k, k = B/p, B – kP = 0. Ни одна из букв B, k или P не имеют приоритета перед другими. Тогда как мы можем быть уверены, что это давление влияет на показания барометра, а не наоборот? И как мы можем описать научным языком все те причинно-следственные связи, которые наблюдаем вокруг нас?

Статистика и причинность

Научные инструменты были изначально разработаны для удовлетворения потребностей ученых. До определенного момента этого было достаточно. Но научная любознательность двигала ученых вперед в поисках ответов на каузальные вопросы в разных сферах, например в законодательстве, бизнесе, медицине, формировании политик. И оказалось, что для этого инструментов уже недостаточно.

Такое случалось не раз в истории человечества. Например, еще 400 лет назад люди не страдали из-за того, что не умеют управлять неопределенностью. Но после изобретения новых азартных игр наука заинтересовалась направлением, которое позже получило название теории вероятности. И только когда страховым компаниям потребовались точные оценки продолжительности жизни, математики стали рассчитывать ожидаемую величину этого показателя.

Потребность в теории причинности возникла примерно в то же время, когда появилась статистика. На самом деле современная статистика родилась из каузальных вопросов о наследственности, которые ставили Карл Пирсон и Фрэнсис Гальтон, и их попыток найти ответ, исследуя данные разных поколений. К сожалению, они потерпели неудачу, но вместо того чтобы остановиться и спросить: «Почему?», они стали развивать статистику, свободную от причинности.

Этот момент стал критическим в истории науки. Появилась возможность оснастить каузальные вопросы правильным словарем, однако она была растрачена впустую. В результате создание «языка причинности» было отложено более чем на 50 лет. А вместе с тем был наложен запрет на разработку инструментов, методов и принципов, имеющих отношение к причинно-следственным связям.

С этим запретом знакомы все, кто изучал основы статистики. Каждый студент должен запомнить раз и навсегда: корреляция не означает причинности. Конечно, для этого есть разумное основание, ведь если петух кукарекает перед рассветом, это не означает, что без его кукареканья солнце не встанет.

Однако проблема в том, что, хотя статистика и говорит, что причинность не равна корреляции, она не объясняет, что же такое причинность. Часто студентам вообще запрещают говорить о том, что Х – причина У, а только о том, что Х и У связаны между собой. В итоге статистика сфокусировалась преимущественно на сборе данных, но не на их интерпретации. Считалось, что все ответы можно найти в данных, и большего искать не следует.

Отголоски такого подхода слышны до сих пор. Мы живем в эпоху, когда считается: большие данные – ключ к решению всех проблем человечества. Курсы по data science (науке о данных) пользуются огромной популярностью в университетах, а карьера аналитика данных становится все прибыльнее. И здесь кроется опасность. Авторы пишут: сами по себе данные чрезвычайно глупы. Собранная информация может поведать вам, что люди, которые принимают лекарства, выздоравливают быстрее, чем те, кто этого не делал, однако данные не расскажут, почему так произошло. А ведь причина может оказаться любой, в том числе такой, которая вообще исключит лекарство из уравнения.

Мы живем в эпоху, когда считается: большие данные – ключ к решению всех проблем человечества

С каждым днем мы все чаще сталкиваемся с примерами из науки или бизнеса, которые доказывают: одних данных недостаточно. Поэтому последние 30 лет теория причинности стала развиваться быстрыми темпами. Столетие назад вопрос о том, могут ли сигареты стать причиной проблем со здоровьем, считался бы ненаучным. 20 лет назад спросить специалиста по статистике, аспирин ли помог справиться с головной болью, означало узнать, верит ли он в вуду. Однако сегодня социальные ученые, IT-специалисты и даже некоторые экономисты регулярно задают подобные вопросы. Авторы называют такую трансформацию каузальной революцией.

Лестница причинности

Люди довольно давно поняли, что мир не состоит из сухих фактов (того, что сегодня мы называем данными). Скорее, эти факты склеиваются между собой причинно-следственными связями. . Ни одна машина не может генерировать объяснения из сырых данных. Ей необходим толчок.

Авторы выделяют три когнитивных уровня, которыми должен овладеть человек (или алгоритм) на пути к пониманию каузальности: наблюдать, делать и представлять. Каждому из них соответствует своя ступень на лестнице причинности.

1. Ассоциация. Соответствует уровню наблюдения. Этим уровнем владеют даже животные. Он заключается в способности подмечать повторения в том, что мы видим. Например, сова наблюдает, как движется мышь, и понимает, где грызун будет в следующий момент. Точно так же поступает компьютерная программа, играющая в игру Го: она исследует базу данных, состоящую из миллионов партий, чтобы разобраться, какие шаги чаще всего приводят к победе.

Другими словами, первая ступень лестницы причинности подразумевает прогнозирование на основе предыдущих наблюдений. Ее можно описать вопросом: «Что, если я увижу что-то?» Скажем, маркетинг-директор магазина может размышлять: «Насколько вероятно, что клиент, который купил зубную пасту, также купит зубную нить?» Мы говорим, что одно событие ассоциировано с другим, если тот факт, что вы увидели первое, повышает вероятность увидеть второе.

Каузальные объяснения, а не сухие факты, составляют основной объем знаний, и именно они в будущем должны стать основой искусственного интеллекта

Вопросы вроде того, над которым размышляет маркетинг-директор, являются хлебом статистики. Чаще всего отвечают на них, собирая и анализируя данные (например, о покупательском поведении). Специалисты по статистике разработали немало инструментов, которые позволяют находить ассоциации между переменными. Пресловутая корреляция является типичным измерением ассоциации.

Некоторые ассоциации могут иметь очевидные каузальные интерпретации, другие нет. Однако статистика не дает ответа на вопрос, что является причиной, а что следствием, зубная паста или зубная нить. А с точки зрения маркетинг-директора это вообще не имеет значения. Хорошие прогнозы не обязательно подразумевают хорошие объяснения. В конце концов, сова может быть отличным охотником, не понимая, почему мышь движется в том или ином направлении.

Автор предполагает, что читатели удивятся, что системы машинного обучения находятся на том же уровне лестницы причинности, что и животные, – на самом низком. Ведь, казалось бы, они являются вершиной технического прогресса. Однако на самом деле существующий ИИ еще очень далек от человеческого мышления, и его появление – вряд ли дело ближайших лет.

Программы машинного обучения, как и 30 лет назад, оперируют практически полностью на ассоциативном уровне. Их приводит в движение поток данных, и они пытаются вычленить в них закономерность примерно так же, как статистик пытается провести прямую линию среди множества точек. Алгоритмы продолжают совершенствоваться в точности и скорости вычислений, но это не обеспечивает эволюционный скачок. И если, к примеру, программисты автономного автомобиля захотят, чтобы он реагировал по-другому в новых ситуациях, им придется самим задать такие реакции. Не стоит ожидать, что ИИ сам определит, что пешеход с бутылкой виски в руке способен швырнуть ею в машину, если та просигналит. Недостаток гибкости и адаптивности является неотъемлемым свойством систем, которые находятся на нижней ступени лестницы причинности.

2. Вмешательство (интервенция). На этот уровень мы переходим, когда начинаем изменять мир вокруг нас. Пример типичного для этой ступени вопроса: «Что случится с продажами зубной нити, если мы удвоим цену на зубную пасту?» Чтобы найти ответ, недостаточно иметь много данных– нужен новый тип знания.

Интервенция соответствует уровню «делать» и поэтому находится выше, чем ассоциация, на лестнице причинности. Многие ученые с болью обнаруживают, что ни один из статистических методов не достаточен для ответа на простой вопрос вроде приведенного выше.

Почему нельзя поискать данные о периоде, когда зубная паста стоила вдвое дороже, и спрогнозировать результат? Потому что повышение цены в тот момент могло быть вызвано разными причинами (скажем, сокращением поставок у конкурентов), а сейчас вы планируете осознанный шаг. А значит, скорее всего, исход будет другим.

Один из способов предсказать результат интервенции – провести эксперимент в контролируемых условиях. Большие компании вроде Facebook часто так и поступают, чтобы проверить свои гипотезы. Однако интересно то, что иногда успешно предсказать эффект от вмешательства можно и без эксперимента. Например, менеджер по продажам может создать модель покупательского поведения, которая будет учитывать рыночную ситуацию. Точная каузальная модель сможет дать ответ на вопрос, что произойдет, если изменить цену.

Итак, вторая ступень лестницы причинности отвечает на вопрос «Что, если мы сделаем что-то?» или на вопрос «Как?». Скажем, если на складе осталось много зубной пасты, менеджера интересует: как можно ее продать? По какой цене ее стоит предлагать? И снова ответ на эти вопросы требует моделирования интервенции перед началом действий.

Мы постоянно производим вмешательства в повседневной жизни, например, когда принимаем таблетку от головной боли. Мы воздействуем на одну переменную (количество аспирина в нашем теле), чтобы повлиять на другую (статус головной боли). Если мы были правы в своей каузальной гипотезе об аспирине, то в результате значение второй переменной изменится с «есть головная боль» на «нет головной боли».

3. Контрфакты. Интервенция не дает ответы на все вопросы, хоть и является важной ступенью лестницы причинности. Если головная боль прошла, нас по-прежнему может интересовать, почему это случилось. Стал ли причиной принятый аспирин? А может быть, съеденная пища или услышанные хорошие новости? Для поиска ответов на эти вопросы недостаточно данных или экспериментов – нужно, по сути, вернуться назад во времени и узнать: что было бы, если бы я не принял аспирин? Поэтому уровень контрфактов связан с воображением, способностью представить себе то, что могло пойти по-другому.

У контрфактов сложные отношения с данными, потому что данные. Они не могут рассказать, что произошло бы в воображаемом мире. Однако человеческий мозг на это способен, и это отличает его от животных и систем машинного обучения.

Если вернуться к примеру с зубной пастой, то вопрос верхнего уровня может звучать так: «Какова вероятность, что клиент, который купил зубную пасту, приобрел бы ее, если бы цена была вдвое выше?» В поисках ответа мы будем сравнивать реальный мир (где человек купил товар по текущей цене) с воображаемым (где цена в два раза больше). Наличие каузальной модели позволяет отвечать на подобные вопросы. А представить наглядно модель причинности помогает инструмент под названием «каузальная диаграмма», где в виде графа представлены переменные и причинно-следственные связи между ними (пример такой диаграммы – на рис.1).

 

 

Большие данные и каузальные модели

В науке, бизнесе, государственном управлении и даже спорте количество сырых данных в последние годы растет с ошеломляющим темпом. Особенно заметно это для активных пользователей социальных сетей. К примеру, в 2014 году Facebook хранил 300 петабайт данных (петабайт равен 1024 терабайт) 2 млрд активных пользователей, что составляет 150 Мб на человека. Научные базы данных также стремительно растут. Скажем, проект «1000 геномов» собрал 200 терабайт информации, составив самый большой в мире публичный каталог данных о генотипе.

Однако большие данные влияют не только на прогресс в передовых областях науки, но и на жизни рядовых ученых. Например, пару десятилетий назад морской биолог мог потратить месяцы, описывая различные виды. Сейчас же он имеет мгновенный доступ к онлайн-данным обо всех рыбах и других животных. И вместо выполнения рутинных задач биолог может заниматься более творческой работой.

Возникает вопрос: что же дальше? Как извлечь смысл из набора цифр, бит и пикселей? Кто-то по-прежнему считает, что ответ на все наши вопросы (например: существует ли ген, отвечающий за рак легких? в каких солнечных системах есть планеты, похожие на Землю? и т.д.) можно найти в самих данных, нужно лишь стать достаточно продвинутыми в анализе. Однако большая часть наших вопросов носит причинный характер, а значит, на них нельзя ответить только с помощью данных. Они требуют от нас сформировать модель процесса, который генерирует данные, или хотя бы отдельных его аспектов. Если вы видите исследование, которое анализирует данные без построения модели, то можете быть уверены: оно только резюмирует данные, но не интерпретирует их.

Конечно, данные сами по себе также полезны. Они могут быть необходимым первым шагом к поиску интересных шаблонов ассоциаций и формулировке вопросов. Однако не стоит останавливаться на нем, нужно идти дальше – к интерпретации данных.

Сможем ли мы создать ИИ, который поможет нам в этом, который будет способен думать? Скорее всего, да, если машины освоят все три уровня лестницы причинности. Алгоритмы, способные отвечать на каузальные и контрфактуальные вопросы, уже существуют. Если исследователи в сфере ИИ внедрят их, мы станем гораздо ближе к появлению мыслящих роботов.

МОДУЛЬ 4 – Установление причинно-следственной связи ПППИ

С дополнительной информацией об установлении причинно-следственной связи можно ознакомиться в отчете Глобального консультативного комитета по безопасности вакцин (ГККБВ) «Установление причинно-следственной связи побочных проявлений после иммунизации». В отчете рассматриваются другие условия и меры, которые должны быть применены при установлении причинно-следственной связи в области безопасности вакцин. .

Отчет ГККБВ: Установление причинно-следственной связи побочных проявлений после иммунизации

Во многих странах действуют системы ПППИ, и сообщениям о подозреваемых побочных проявлениях уделяется большое внимание. Такие системы были успешны при выявлении тяжелых ПППИ после того, как вакцины были разрешены к использованию. Как правило, есть необходимость в дополнительных исследованиях с целью дальнейшего расследования причинно-следственной связи ПППИ.

Несмотря на то, что наиболее надежный путь определения наличия причинно-следственной связи вакцины с побочным проявлением — это рандомизированное клинические испытание, такие испытания ограничены этапом клинической разработки вакцины. После того, как вакцина лицензирована, возможность проведения контролируемых исследований больше не рассматривается ввиду этических соображений (отказ от вакцинации).

Установление причинно-следственной связи представляет собой систематическую проверку данных о случае ПППИ. Такая оценка определяет вероятность наличия причинно-следственной связи между проявлением и полученной вакциной (вакцинами). Оценка причинно-следственной связи позволяет установить:

• имеет ли ПППИ отношение к вакцине или программе вакцинации;
• какие шаги, при необходимости, должны быть сделаны для реагирования на данное проявление.

Памятка ВОЗ по установлению причинно-следственной связи служит руководством для систематического, стандартизированного процесса оценки причинно-следственной связи в отношении серьезных побочных проявлений после иммунизации (включая кластеры проявлений).³⁶

Памятка ВОЗ: ПППИ: Установление причинно-следственной связи

Результаты определения причинно-следственной связи помогают повысить среди работников сферы здравоохранения осведомленность о рисках, связанных с вакциной. Все это, вместе со знанием о пользе иммунизации, формирует базу для информирования родителей и /или вакцинируемых о вопросах, касающихся вакцин.

Качество оценки причинно-следственной связи зависит от:

• качества отчета о случае ПППИ,
• эффективности системы отчетности о ПППИ,
• качества процесса контроля причинно-следственной связи.

Установление причинно-следственной связи побочных проявлений с использованием вакцины основывается на пяти принципах.³⁵

О пагубности ошибок-причинно-следственной связи | Социальный Компас

Print PDF

В продолжение темы аберраций убеждения и познания у учёных и дилетантов — смешные примеры про сабж из замечательной книги Тома Каткарта и Дэн Клейна в «Аристотель и муравьед едут в Вашингтон. Понимание политики через философию и шутки» (М.: АНФ, 2007). Всеми ими можно бы иллюстрировать явления когнитивного диссонанса, но поскольку, как замечают авторы люди, особенно же политики журналисты и т. д. говорящие головы готовы скорей быть лжецами, чем глупцами, и поскольку о людях следует думать лучшее, пока не показано обратное, в книге это представлено как ошибки и сбои понимания, или направленная ложь, не самообман.

«Типичный пример феномена «ищем там, где светлее» – ежедневные репортажи СМИ с фондовой биржи. Они призваны оценивать состояние экономики в каждый конкретный день, однако любой экономист вам скажет, что в них отражается лишь часть общей экономической картины.

Никто, например, не рапортует нам, сколько американцев ежедневно теряют работу или оказываются ниже черты бедности. Причем никаких политических причин скрывать эту информацию не существует [но есть социальные: власть денег и угнетение труда капиталом формируют удобную для себя реальность во всём обществе. Это называется «гегемония», по Грамши. Прим.публикатора]: просто эти цифры недоступны в ежедневном режиме, и измерить соответствующие показатели куда сложнее. Значительно проще читать циферки на громадном табло Нью Йоркской фондовой биржи. Там ведь гораздо светлее!…

Cum hoc ergo propter hoc (Вместе с этим – значит вследствие этого)

Вокруг понятий причины и следствия сформировалась целая ветвь логических уловок. Первая из них, описанная еще Аристотелем, известна как «вместе с этим – значит вследствие этого». Но на латыни эта фраза звучит лучше – cum hoc ergo propter hoc, хотя, если вспомнить, Аристотель был греком. Чудны дела твои, Господи!

Вот пример:

Самыми быстрыми темпами детская бедность растет в тех штатах, которые платят самые высокие социальные пособия. А самый низкий рост или даже снижение этого показателя зарегистрированы там, где власти ограничивают материальную помощь семьям с детьми иждивенцами.

– Гарри Бауэр, консервативный лоббист, президент Совета по семейным исследованиям (Family Research Council), старший вице президент некоммерческой организации «Главное внимание – семье» (Focus on the Family), утверждая, что социальные пособия стимулируют детскую бедность

В данном случае мистер Бауэр совершает фундаментальную ошибку, не принимая во внимание возможность третьего фактора, – такого как экономическое положение штатов, где уровень социальных выплат и детской бедности колебался. При более подробном рассмотрении оказывается, что в штатах, где росли объемы социальных выплат и детская бедность, средние доходы населения падали или оставались на прежнем уровне; там же, где пособия и детская бедность увеличивались медленнее всего, был зарегистрирован стабильный рост средних доходов. Иными словами, и на социальные пособия, и на уровень детской бедности повлиял экономический кризис. Мы уверены, что мистер Бауэр сожалеет о своем ошибочном рассуждении относительно всех семей Америки.

Однако мистер Бауэр – не единственный, совершивший ошибку cum hoc ergo propter hoc . Вспомним хотя бы часто повторяемое утверждение президента Буша, полагающего, что война в Ираке оберегает нашу страну от нападений:

Командующий коалиционными силами в Ираке, который является также старшим офицером этой базы, генерал Джон Вайнс, недавно отлично сформулировал эту мысль:

«Либо мы будем иметь дело с экстремистами и террористами за границей, либо они придут в наш дом, и нам придется разбираться с ними здесь».

– Президент Джордж Буш, июнь 2005 г.

Ну, и как же это работает? Может, террористы слишком заняты? Мы уверены, что «Аль Каида» сможет найти еще девятнадцать человек, если решит, что дело выгорит. В любом случае, сложно с уверенностью утверждать, что именно война в Ираке спасает Америку от новых атак. Это как если бы кто нибудь покрасил свой дом в розовый цвет, чтобы уберечь его от нападения драконов: если бы вы назвали его безумцем, он бы мог заметить, что его тактика до сих пор оказывалась вполне эффективной.

Причина и бедствие

Мелвин умирал. Он был стар, очень стар. Он много страдал в жизни. Труди, его жена, сидела на краю кровати, отирая ему лоб. Они прожили вместе больше семидесяти лет.

– Труди! – обратился Мелвин к жене. – Ты помнишь годы депрессии, когда нам едва едва хватало денег на то, чтобы выжить?

– Конечно, помню! – отозвалась та.  – Ведь я была с тобой все эти годы.

– А помнишь голодные годы после войны, когда я работал на двух работах и еще успевал учиться?

– Разумеется, помню! Я и тогда была с тобой, любимый!

– А когда я потерял работу, ты ведь тоже была рядом?

– Конечно, милый! Я всегда была рядом с тобой. Всегда!

Мелвин, замолчав на несколько мгновений, пристально поглядел на свою любящую супругу.

– Знаешь, Труди… Я думаю, ты приносила мне несчастья!

Post hoc ergo propter hoc (После этого – значит вследствие этого)

Post hoc ergo propter hoc – близкий родственник cum hoc ergo propter hoc . Об их родственных отношениях несложно догадаться по общей фамилии. Аргумент post hoc утверждает, что если событие Б произошло после события А, то именно А является его причиной.

Одна из областей, где легко можно встретить подобные аргументы, – царство статистики, некое явление, описанное цифрами, предстает как причина другого явления, также выраженного в цифрах. В этом ловком приемчике есть своя, особая прелесть: аудиторию завораживает впечатляющая точность статистических данных, и в упоении она даже не замечает, что один набор цифр не имеет никакого отношения к другому:

Десять штатов с самыми низкими расходами на образование в пересчете на одного ученика четыре – Северная Дакота, Южная Дакота, Теннесси и Юта – фигурируют среди десяти штатов, где учащиеся старших классов показывают наиболее высокие результаты на тестах SAT . При этом в первой десятке штатов по результатам SAT фигурирует лишь один, занявший также место среди десяти штатов с самыми высокими расходами на образование в пересчете на одного школьника, – Висконсин. Более всего расходует на школьное образование штат Нью Джерси – там расходы достигают небывалой цифры $10 561 на ученика; эту цифру используют учительские профсоюзы по всей стране, добиваясь повышения расходов на образование. Какое же место занял штат Нью Джерси по итогам SAT? Тридцать девятое…

Однако тот факт, что качество школьного обучения… [не зависит от] расходов на образование, не мешает учительским профсоюзам настаивать на том, что деньги здесь – главная переменная. Последняя шаткая линия обороны, которую все еще удерживает наше общественное образовательное лобби, проходит через умы наших сограждан, страдающих от пробелов в образовании.

– Консервативный политический обозреватель Джордж Уилл (Washington Post, 12 сентября 1993 г.)

Прежде чем анализировать аргументацию обозревателя Уилла, мы хотели бы привести слова совсем других людей:

Существует три вида лжи: ложь, наглая ложь и статистика.

– Бенджамин Дизраэли, раздражительный британский премьер министр

79,48 % статистических данных делается на коленке.

– Джон Паулос, профессор математики

Каждый четвертый человек страдает психическим расстройством. Проверьте трех своих друзей: если с ними все в порядке, значит, это вы.

– Рита Мэй Браун, остроумная феминистка

И вот еще цитата – честное слово, последняя:

Статистика – единственная из научных дисциплин, где разные специалисты, пользуясь одними и теми же цифрами, приходят к совершенно разным выводам.

– Эван Эзар, плодовитый автор афоризмов.

Мысль, которую мы пытаемся до вас донести, известна, пожалуй, всем: используя статистические данные, очень легко прийти к неверным выводам (не зря бытует выражение «ложь со статистикой в руках»). Однако далеко не все знают, что прийти к этим неверным выводам позволяет старый добрый софизм: «после этого – значит вследствие этого». Статистические данные, касающиеся явления А, нам представляют в качестве причины явления Б (также подкрепленного статистикой), которое следует за А. Или же, как в случае мистера Уилла, оратор полагает, что цифры указывают на причинно следственную связь, тогда как на самом деле ничего подобного они не демонстрируют. Проблема, разумеется, в том, что два указанных события могут быть вовсе не связаны между собой. Или, как в случае мистера Уилла, статистические данные могут оказаться недостаточными – они не показывают нам полной картины, поскольку в них недостает информации, которая относится как раз к причинно следственной взаимосвязи.

Дебора Линн в Journal of Statistics Education указывает, что мистер Уилл не принял в расчет один существенный фактор, а именно – процент школьников в каждом штате, которые принимали участие в экзамене SAT. На самом деле, большинство государственных колледжей в Северной Дакоте требуют от абитуриентов сдачи другого экзамена – ACT, так что тест SAT сдавало лишь 5% выпускников штата. При этом следует заметить, что среди этих 5% многие собирались поступать в престижные учебные заведения федерального уровня, где требуются результаты SAT. Это ребята, которые достигли значительных успехов в учебе и сочли, что им стоит попытаться замахнуться на большую цель. Для сравнения: в Нью-Джерси SAT сдавали 79% учеников выпускных классов, что, разумеется, дает нам репрезентативную выборку, позволяющую лучше оценить средний уровень школьников. Таким образом, получается, что мы сравниваем итоги сдачи SAT среди наиболее талантливых учеников из Северной Дакоты с результатами, которые продемонстрировали средние учащиеся из Нью-Джерси.

Это все равно что, сравнивая выступление четырех ямайских бобслеистов, представлявших свою страну на Олимпийских играх, со средними результатами бобслеистов США, заключить, что в среднем ямайцы значительно превосходят американцев, и в конечном итоге сделать вывод, что ямайское происхождение увеличивает шансы добиться высоких результатов в бобслее.

«Вот краткие тезисы моего выступления. А вы подберите мне статистику, подтверждающую мои слова»

Рекомендуем прочесть

корреляция не означает причинно-следственную связь

Там же два аспекта этой постфактум эрго propter специальной проблемы , которые я люблю , чтобы покрыть: (I) вскрывать причинно — следственную связь и (б) эндогенности

Пример «возможной» обратной причинно-следственной связи: социальное употребление алкоголя и заработок — пьющие зарабатывают больше денег, согласно Бетани Л. Питерс и Эдварду Стрингхэму (2006 год. «Не выпивай? Ты можешь проиграть: почему пьющие зарабатывают больше денег, чем неопытные», « Журнал труда»). Research, Transaction Publishers, том 27 (3), страницы 411-421, июнь). Или люди, которые зарабатывают больше денег, пьют больше либо потому, что имеют больший располагаемый доход, либо из-за стресса? Это отличная статья для обсуждения по разным причинам, включая ошибку измерения, смещение ответа, причинность и т. Д.

Пример «возможной» эндогенности. Уравнение Минсера объясняет логарифмическую доходность по образованию, опыту и опыту в квадрате. Существует много литературы на эту тему. Экономисты труда хотят оценить причинно-следственную связь образования с доходом, но, возможно, образование является эндогенным, поскольку «способность» может увеличить объем образования, которое имеет человек (за счет снижения стоимости его получения), и может привести к увеличению заработка независимо от уровень образования. Потенциальное решение этого может быть инструментальной переменной. Книга Ангриста и Пишке «В основном безвредная эконометрика» освещает это и очень подробно и ясно описывает темы.

Другие глупые примеры, которые я не поддерживаю, включают: — Количество телевизоров на душу населения и уровень смертности. Итак, давайте отправим телевизоры в развивающиеся страны. Очевидно, что оба являются эндогенными для чего-то вроде ВВП. — Количество нападений акул и продажи мороженого. Оба эндогенные к температуре, возможно?

Мне также нравится рассказывать ужасную шутку о сумасшедшем и пауке. Сумасшедший бродит по коридорам убежища с пауком, которого он несет в ладони. Он видит доктора и говорит: «Смотри, Док, я могу поговорить с пауками. Посмотри на это.» Паук, иди налево! »Паук должным образом двигается влево. Он продолжает:« Паук, иди направо. справа от его ладони. Доктор отвечает: «Интересно, может быть, мы должны поговорить об этом на следующем групповом занятии». Сумасшедшие реплики: «Это ничего, док. Понаблюдайте за этим. »Он тянет каждую ногу паука одну за другой, а затем кричит:« Паук, иди налево! »Паук неподвижно лежит на ладони, и сумасшедший поворачивается к доктору и делает вывод:« Если ты снимешь паука ноги он оглохнет «.

О причинно-следственных связях

Организация здравоохранения

Л. Каримова:

Добрый день, дорогие друзья! В эфире радио Mediametrics, программа «Медицинское право», и я, ее ведущая, Каримова Лена. У нас в гостях Виктор Викторович Колкутин, доктор медицинских наук, профессор по специальности «Судебная медицина», заслуженный врач Российской Федерации, полковник запаса медицинской службы. Добрый день, Виктор Викторович!

В. Колкутин:

Здравствуйте!

Л. Каримова:

И мы продолжим разговор о причинно-следственной связи между дефектами оказания медицинской помощи и ухудшением состояния здоровья пациента. В прошлой передаче мы узнали, первое: не существует дефиниции оказания медицинской помощи, и не существует дефиниции эффекта оказания медицинской помощи. Второе: обязанность установления причинно-следственной связи лежит на судебно-следственных органах. Третье: на самом деле врачу любой специальности необходимо уметь устанавливать причинно-следственную связь. Четвертое: ответственность медицинского работника при осуществлении профессиональной деятельности может наступить и без юридически значимых последствий.

Итак, Виктор Викторович, на прошлой передаче мы остановились на понятиях причин, следствий и условий, переходим на «условия и причины». И тут хотелось бы привести в пример цитату из учебного пособия под авторством Спиркина «Основа философии», 1998-го года, с. 172, я цитирую: «По признаку обязательного переноса каких-либо субстанционно-энергетических качеств причинная связь отличается от других, неэнергетических в широком смысле слова связей. По этому же признаку различают причины и условия события. Причина – это то, что передает свою силовую потенцию, то есть вещество, энергию, информацию. А условие – это совокупность обстоятельств причинного события, которая сама по себе, не будучи прямой причиной и не участвуя в переносе энергии и информации, способствует порождению причины и следствия. Так, в случае гибели больного в результате отсутствия своевременной медицинской помощи причиной гибели является само заболевание. Отсутствие медицинской помощи – это условие гибели, но не ее причина». Не противоречит ли это теории механизма установления причинно-следственной связи?

В. Колкутин:

Вот так сложно все начинается сегодня… Я даже в некоторой растерянности пребываю, потому что Вы столько много всего процитировали, и каждая из сказанных фраз достойна отдельной передачи. Но что важно сказать: цитированный Вами учебник относится к какой области знаний?

Л. Каримова:

Философия.

В. Колкутин:

Медицина, конечно, с философией достаточно плотно соседствует, но все-таки есть свои особенности. Для начала давайте посмотрим, откуда появились эти ростки, где корни этой темы о необходимости установления причинной или причинно-следственной связи, и кто это должен делать, если мы говорим о медицине, о медицинской службе, о медицинском ведомстве. Получается интересная вещь: согласно 323-му Федеральному закону «Об основах охраны здоровья граждан РФ» (это ст. 58, ч. I), содержание медицинской экспертизы, одним из составляющих этого содержания как раз и является установление причинно-следственной связи между воздействием каких-то событий, факторов и состоянием здоровья гражданина. Вот это важный отправной пункт, поскольку все-таки это Федеральный закон.

Но если есть такая задача, на нее должна быть адекватная реакция. Где мы ее можем наблюдать? Кто будет носителем, субъектом этого установления? И вот получается, что в соответствии с квалификационными характеристиками врача судебно-медицинского эксперта этим субъектом должен быть именно он. Что мы читаем: «Врач судебно-медицинский эксперт должен уметь установить причинно-следственную связь между повреждением и неблагоприятным исходом». Коль скоро мы сегодня говорим о дефектах, значит давайте мы сразу «повреждения» заменяем на «дефекты оказания медицинской помощи» и связь будем пытаться рассмотреть именно между врачебным дефектом и наступившим неблагоприятным исходом.  

И вот здесь я бы подвел под нашей нормативно-правовой базой жирную черту, потому что несмотря на то, что в 194-м знаменитом Приказе, который напрямую касается судебно-медицинской экспертизы, упоминаются эти слова, но там такая чехарда из них идет, что, в общем-то, человек разбирающийся придет в некоторое замешательство. Посмотрите сами: в пункте 6.7 этого Приказа приводится «в прямой причинно-следственной связи», в пункте 6.8 уже просто «причинно-следственной связи», а в пункте 15 мы читаем, что «связь не может носить случайный характер», и, наконец, 17.23-ий пункт означает нам и «непосредственно связанное», и «причинно с ней связанный». То есть такое впечатление, что люди, когда писали этот Приказ, думали о каких-то вычурных литературных оборотах.

Л. Каримова:

Красоту речи показать.

В. Колкутин:

Да, красоту речи преподнести, чтобы просто заслушаться можно было. А мы забываем, что это вещи юридические. Они не должны носить никакого двоякого трактования. И вот занялся я изысканиями и думаю, откуда же взялась юриспруденция в медицине, откуда взялись эти понятия – «причинная связь, причинно-следственная связь», а уж какая она там, прямая или непрямая, а может быть необходимо, или достаточно. И получилась интересная вещь, что в действующем российском законодательстве нет понятий «прямая причинная связь» и «косвенная причинная связь», и речь идет только о причинной связи, и законодателю неважно это деление – прямая она или косвенная. А вот в развитии этого законодательства (но ничем не подкрепленное развитие) – статьи, учебники, монографии очень знаменитых и заслуженных людей, замечательные мысли. Но это всего лишь их собственные мысли. Вот там они говорят, что тут нужна прямая связь, здесь нужна косвенная, здесь ее вообще нет, тут на первое место условие… Но как это соотнести с действующим законодательством никто нигде не пишет. И получается, что можно, оказывается, приватным образом взять и в любом документе, который нам понравится, написать: «А давайте будем писать не просто «причинная связь», а «прямая причинная связь».

Я более или менее понимаю юристов, потому что у них, особенно у тех, которые работают в области уголовного права, есть такие понятия, как прямой умысел, косвенный умысел. Где-то по аналогии я их понимаю, они могли перенести это на причинную связь, касающуюся судебной медицины. Но откуда врачи это выдумали? Как судебно-медицинские эксперты с этим согласились, для меня до сих пор пока остается загадкой, и я пока продолжаю пребывать в поиске, где источники этого. Согласитесь, что это вопрос не праздный, коль скоро задача такая стоит, значит, нужно этот вопрос решать. И вот интересные вещи получаются. Вообще, что такое причина для судебного медика?

В действующем российском законодательстве нет понятий «прямая причинная связь» и «косвенная причинная связь», и речь идет только о причинной связи, и законодателю неважно это деление – прямая она или косвенная

Л. Каримова:

Травма, заболевания.

В. Колкутин:

То есть некое воздействие на живой организм, которое должно закономерно, неотвратимо, с определенной временной последовательностью, с другими характеристиками, о которых мы будем говорить ниже, должна привести к своему закономерному следствию. Так вот, для того, чтобы установить этот факт, это мы говорим о том, как оно действует без нас, без экспертов: автомобиль сбивает человека, человек ударяется головой о покрытие. Это все без нас происходит, а мы уже приходим потом, когда он уже лежит в клинике. И вот здесь нам надо по каким-то признакам, по каким-то критериям восстановить эту картину…

Л. Каримова:

Цепочку.

В. Колкутин:

…и убедиться либо в наличии этой причинной связи, либо в ее отсутствии. А надо сказать, что причинная связь – это всего лишь один из многих вариантов взаимосвязей между событиями. Если Вы философию почитаете, там их очень много. Это всего лишь один маленький кусочек. И для начала нужно понять, а есть ли здесь основания говорить о причинной связи, понимаете? Я не буду приводить разные примеры на эту тему, на другую приведу обязательно. Но для начала надо понять. Когда мы подходим к трупу, мы же не сразу говорим: «Так, раневой канал огнестрельный, проходит там-то и там-то». Мы сначала говорим: «Давайте определимся сначала, что это огнестрельное ранение». Так и здесь: надо понять, а причинная ли здесь связь? Или какая-то иная?

Причинная связь – это всего лишь один из многих вариантов взаимосвязей между событиями

Л. Каримова:

Получается, нам нужно сначала определиться с диагнозом.

В. Колкутин:

Совершенно верно. Но помимо причинной связи бывают еще причинные цепи. Что это значит? Это значит, что события не заканчиваются вот так: воздействие – результат, воздействие – результат. Они развиваются.

Л. Каримова:

То есть когда причина переходит в следствие, а следствие становится причиной нового события?

В. Колкутин:

Конечно. А могут присоединяться другие компоненты, которые небезразличны к первоначальному фактору, это с одной стороны.

Л. Каримова:

Ну, опять же, философия.

В. Колкутин:

Потом есть так называемые причинные петли, когда ситуация возвращается на какой-то из начальных этапов и идет уже по новому пути. Это может быть связано с оказанием медицинской помощи, может быть связано со свойствами организма.

Есть так называемые причинные петли, когда ситуация возвращается на какой-то из начальных этапов и идет уже по новому пути. Это может быть связано с оказанием медицинской помощи, может быть связано со свойствами организма

Л. Каримова:

С индивидуальными особенностями.

В. Колкутин:

Совершенно верно. То есть вопрос-то как бы, с одной стороны, и не праздный, а с другой стороны, он весьма и весьма непростой. Это не так ситуация, где, как говорится, голову оторвало, и «ну, все понятно, так тут и врач не нужен, и эксперт не нужен, следователь и без нас разберется».

Мы пришли к выводу, мы диагностировали: здесь причинная связь. Тогда нам нужно определиться, а как она взаимодействует со следствием? Почему? Потому что бывают совершенно различные ситуации, которые заводят эксперта в тупик, просто в тупик. Сейчас важно об этом поговорить.

«Причина-следствие» – это как раз все понятно: вот она, травма, вот оно, последствие.

Л. Каримова:

Одна причина, одно следствие.

В. Колкутин:

Все на пять с плюсом выполнили свои задачи и, что называется, разошлись, довольные собой. А вот вторая ситуация – вот она, причина, а от этой причины наступает следствие, которое по своим последствиям, объемам, наполнению гораздо больше, чем может дать эта причина. И возникает вопрос: либо откуда это взялось, надо найти, либо, может быть, вообще не надо здесь ничего искать. И вот в этой ситуации, если появляется какой-то дополнительный компонент, который комбинируется с первоначальной причиной, который не был очевиден на момент подхода к нашей ситуации, который мы обнаруживаем в ходе исследований медицинских документов, с помощью исследования допроса медперсонала, мы вдруг выявляем новые сведения, которые дополняют нашу первоначальную гипотетическую причину. И тогда оно замыкается и становится соразмерно своему окончанию, соразмерно своему следствию.

И, наконец, еще один вариант: это когда причина воздействует, а от нее следствия никакого, или оно очень маленькое. Оно должно быть. Что случилось? Почему этого нет? И тогда экспертный разум, экспертный поиск перемещается на поляну этого следствия. А может, мы его не видим, это следствие, может, оно не сейчас проявится, условно говоря, инкубационный период это следствия не реализовался. И тогда надо либо ждать и затянуть до нужного момента окончание экспертных исследований, либо применить какие-то новые способы поиска для того, чтобы вытащить эту информацию о следствии.

Куда делось следствие от большой причины? Вот это качество, о котором мы сейчас красиво поговорили, характеризует собой причинную связь, и  называется оно «соразмерность», когда одно должно соответствовать другому. Вот это первое, что надо понимать.

Следующий момент, который не менее, а может быть, даже более важен, чем соразмерность, называется характеристика или качество «порождение». То есть не увлекаясь очевидностью какого-то конкретного случая, мы должны найти признаки того, что именно этой причиной порождено конкретное следствие.

Достаточно простой пример, когда человек получает травму, вслед за травмой развивается болевой шок, геморрагический…

Л. Каримова:

Любой травматический шок.

В. Колкутин:

Да. Любой вариант шока. И это приводит к общей дезадаптации организма: все системы и органы начинают функционировать в аварийном, в неправильном режиме. И какой из этих органов откажет первым, мы пока на этом этапе не знаем: то ли это будет сердечно-сосудистая система, то ли дыхательная, то ли выводящая система.

Например, травма приводит к шоку, шок приводит к дезадаптации, а дальше развилась острая сердечно-сосудистая или острая легочная недостаточность, и это приводит к летальному исходу. Вот, казалось бы, все очень легко, очень правильно и очень понятно. Но если мы говорили о том, как непросто подойти к изучению вопроса о причинной связи, как достаточно медленно надо двигаться по этой дороге исследования ситуаций, то здесь мы можем продемонстрировать то, как недобросовестные эксперты могут манипулировать этой ситуацией.

Когда человек получает травму, вслед за травмой развивается болевой шок, и это приводит к общей дезадаптации организма: все системы и органы начинают функционировать в аварийном, в неправильном режиме. И какой из этих органов откажет первым, мы на этом этапе не знаем 

Л. Каримова:

Подмена понятий, скажем так.

В. Колкутин:

Да, каких-то личных, корыстных интересов. Недобросовестные эксперты присоединили исходное состояние организма.

Л. Каримова:

Заболевание какое-то.

В. Колкутин:

Да. У человека были, допустим, измененные мышечные волокна, были какие-то бляшки…

Л. Каримова:

В силу возраста, скажем так.

В. Колкутин:

Да. И тогда что? Тогда появляется возможность – когда нет четких критериев для судебной медицины, царит хаос – появляется возможность для таких нечистоплотных фокусов. Присоединяем: травма – да, шок – конечно!

Л. Каримова:

Тяжкий вред?

В. Колкутин:

Безусловно. И если все слепить в единый комок, то получается, что вот она, комбинированная причина, вот он, комплекс.

Л. Каримова:

Но нет причины смерти.

В. Колкутин:

Нет. А раз нет, значит, и травма, и шок находятся в прямой причинно-следственной связи. Так что, товарищ преступник, милости просим в зале суда на свободу, отделаетесь легкими взысканиями. Вот к чему ведет отсутствие порядка в этом вопросе.

Беда в другом: никто реально не хочет заниматься наведением этого порядка. А ведь сегодня как никогда важно осознать и признать, что в судебной медицине уже давным-давно родилось новое направление: судебно-медицинская каузология. И врачей, и уже опытных экспертов нужно и учить, и переучивать, и доучивать именно по этим вопросам. Возьмите любого студента, поймайте шестикурсника или выпускника, или даже эксперта со стажем, и спросите у него: «Ты помнишь, как Вам преподавали задачи по установлению причинно-следственной связи?» 100%, не вспомнит никто. В лучшем случае…

Л. Каримова:

Философию вспомнят.

В. Колкутин:

Нет, в лучшем случае вспомнят эту первую схему.

Л. Каримова:

Одна причина и одно следствие.

В. Колкутин:

Да, все. Если тяжкий вред, смерть на месте, значит, прямая причинная связь. Я возвращаюсь к 123-ему Федеральному закону: там про клиницистов речь не идет, там речь идет об именно медицинской экспертизе. Клиницисты, если они и делают экспертизу, то они делают как члены комиссии, которую возглавляет судебно-медицинский эксперт.

Л. Каримова:

Виды экспертиз бывают же разные, не только судебно-медицинская.

В. Колкутин:

Мы сейчас говорим именно о судебно-медицинской. Я согласен, но там немного другие подходы и критерии. Они мне тоже не нравятся, но сейчас я не хочу о них говорить, потому что нам бы со своим разобраться. Так вот, закончились ли на этом характеристики причинной связи? Ничего подобного. Есть еще критерий необходимости. Мало того, что мы знаем, что эта причина породила следствие, мало того, что мы знаем, что эта причина соразмерна следствию, но надо еще понимать, какова степень необходимости возникновения именно этой ситуации. Это будет важно, когда мы будем оценивать, какова была реакция врачебного персонала на ту или иную травму. Понятно, что при нормальном течении, конечно, любое тяжелое повреждение порождено будет необходимостью…

Л. Каримова:

И закономерно приведет к какому-то неблагоприятному исходу.

В. Колкутин:

Завершится этим неблагоприятным исходом. Но если мы упоминаем сегодня дефекты медицинской помощи, то как никогда важным становится критерий необходимости. А что было сделано? Как вовремя это было сделано? В нужном ли объеме? Но важно не просто сделать. Вот что мне не нравится в критериях качества оказания медицинской помощи, там вся оценка идет через действие. Я как ни читаю какой-нибудь пункт, сразу вспоминаю все армейские пословицы: «Вспотел – покажись начальству» и т.д. Какая разница, что ты, как врач, делаешь? Вот если уж совсем по гамбургскому счету, ты вылечил больного – он встал, ушел на своих ногах, принес тебе букет цветов в благодарность, ты молодец. Да, ты ему там чего-то не доделал, что-то не то ввел, ты довел его до правильного результата, ты победитель в этой ситуации. И обратная ситуация: ты все плюсики получил в своих критериях качества – больной ушел инвалидом. И зачем мне такое качество? К чему это все? Получается, что мы достаточно интуитивную, творческую профессию врача превращаем в какой-то цирк по сборке и ремонту биологических кузовов, именуемых человек.

Мы достаточно интуитивную, творческую профессию врача превращаем в какой-то цирк по сборке и ремонту биологических кузовов, именуемых человек

Л. Каримова:

Алгоритм.

В. Колкутин:

Так не получится. Это не оценка качества, это подмена понятий, и это большая-большая беда.

Л. Каримова:

Какие именно нормативно-правовые акты регламентируют порядок установления причинно-следственных связей? Я даже в студию принесла порядок установления причинно-следственной связи.

В. Колкутин:

У Вас какой год?

Л. Каримова:

У меня 15-ый. 17-ый я, к сожалению, не смогла найти, потому что в интернете это почему-то секретный документ. Он не выложен ни на одном сайте.

В. Колкутин:

А я нашел, принес. Вот такая бумага появилась на свет. Даже при очень внимательном ее изучении, естественно, никакого порядка проведения судебно-медицинской экспертизы, и уж тем более установления причинно-следственных фактов, связей по факту неоказания или ненадлежащего оказания медицинской помощи Вы там, конечно же, не найдете.

Л. Каримова:

Ну, это все-таки порядок проведения судебно-медицинских экспертиз.

В. Колкутин:

Вы знаете, я не хочу сейчас сильно на эту тему распространяться, потому что порядок не может называться методическими рекомендациями, методические рекомендации не могут быть порядком. Это совершенно разные по классу ведомственные документы. И если тот, кто это писал, не знает этой разности, это его личная беда.

Самое интересное во всем этом документе находится на двадцатой странице. Я не откажу себе в профессиональном удовольствии процитировать некоторые моменты этой самой страницы. Речь идет о том, что: «В этой связи при проведении судебно-медицинской экспертизы установление наличия или отсутствия причинной и (прямой) связи между действием/бездействием медицинского работника и наступлением у пациента неблагоприятного исхода для экспертной комиссии является обязательным». Вот здесь каждое слово можно долбить камнем, и будет интересно. Но я остановлюсь только на двух моментах.

Откуда взялась прямая причинная связь? Из какого источника появилось это словосочетание «прямая причинная связь»? Если речь вести о законодателе, он говорит о причинной связи, и там не делается никаких разграничений между тем, косвенная она или прямая. Второй момент, если Вы говорите или кто-то говорит об установлении прямой или косвенной связи, какая аналогия появляется с уголовными?

Порядок не может называться методическими рекомендациями, методические рекомендации не могут быть порядком

Л. Каримова:

По умыслу.

В. Колкутин:

Умысел. Совершенно верно. Есть прямой умысел, есть косвенный. И здесь эта перекличка между ними очевидна: причинно-прямая связь – прямой умысел, косвенная связь – косвенный умысел. Но здесь нельзя ставить знак равенства, это разные вещи.

Л. Каримова:

Но связь же объективна, а умысел…

В. Колкутин:

Дело все в том, что причинная связь как раз и подразумевает наличие умысла. Если ты не умеешь устанавливать умысел, ты никогда не сможешь проникнуть в содержание понятия «причина». Почему? Потому что действительно вред здоровью при оказании медицинской помощи можно оказать с косвенным умыслом, можно оказать с прямым умыслом, если человека, допустим…

Л. Каримова:

Оставили в приемном покое.

В. Колкутин:

Есть личная неприязнь к этому больному, он хочет сделать ему плохо, возьмем самый маргинальный такой случай. Вот вам прямой умысел. Какая экспертиза это установит? Никакая. Отсюда-то и будет вырастать причинная связь: установи это, и все остальное дальше станет ясным и прозрачным. Поэтому во это первый момент, который просто необъясним. Это просто сочинение на  выбранную тему.

И второй момент. Понятно, что автор этого документа, наверное, обладает какими-то властными функциями, но указывать всем экспертным комиссиям о том, что установление этой причинной связи является обязательным – простите меня, это уже явное превышение своих должных полномочий. Почему? Потому что экспертной комиссии у нас указывает, что делать, следователь.

Л. Каримова:

Я даже некоторых следователей знаю, которые специально не задают вопросы о причинно-следственной связи, потому что заранее знают ответ. И их этот ответ не устраивает, как вариант.

В. Колкутин:

Зачем это все помещать сюда, я не знаю. Но есть и более шедевральные вещи, если читать дальше двадцатую же страницу: «Наличие или отсутствие причинной (прямой) связи, а также непрямой косвенной между действием медицинского работника и наступлением у пациента неблагоприятного исхода устанавливается экспертной комиссией в соответствии с общепринятыми в медицине представлениями об этиологии, патогенезе, клинической картине и лечении в отношении конкретной нозологической единицы заболевания». Найдите мне, пожалуйста, хоть одну конкретную нозологическую единицу заболевания, по которой будут единые, общепринятые во всей (хотя бы в российской) медицине представления о вот этой этиологии, патогенезе, уж тем более клинической картине, и совсем не согласен, что это слово «лечение». Не будет такого общепринятого представления. То есть отсылают как в сказке: «Иди туда, не знаю куда».

Л. Каримова:

В никуда. Тогда у меня вопрос: для чего они пишут, что «как в уголовном, так и в гражданском праве наличие непрямой и косвенной [причины] лежит за пределами юридически значимой причинно-следственной связи»?

В. Колкутин:

Вы как раз меня подводите к тому, чтобы я установил умысел. Не получится. Но почему пишут, я могу сказать: по аналогии с прямым и косвенным умыслом. Никакого другого объяснения нет, потому что когда пишешь какой-то документ, нужно думать.

Л. Каримова:

То есть несмотря на то, что это лежит за пределами юридической связи, все равно и косвенную, и опосредованную определяет комиссия. Тогда у меня еще вопрос по этому документу. У меня 2015-го года очень много перекликается, но вот: «При оценке степени тяжести вреда здоровью экспертная комиссия в обязательном порядке решает следующие вопросы: это сущность недостатка и наличие или отсутствие причинной прямой связи, недостатка оказания медицинской помощи с наступившим неблагоприятным условием». То есть мы все-таки недостатки оцениваем, выявляем или дефекты оказания медицинской помощи?

В. Колкутин:

Мало того, что мы говорили нет понятия, что такое дефект медицинской помощи или дефект в оказании медицинской помощи. А тут появляется еще новая, литературная конструкция «недостаток в оказании медицинской помощи». Этим вещам есть определение в отечественной литературе, в том числе судебно-медицинской. Но коль скоро уж там, в этих рекомендациях, дается перечень основных понятий, что чего значит, там можно прочитать формулировки  что такое»фармацевтический работник», это очень важно для этого документа. ..

Л. Каримова:

«Профилактика», «Врачебная тайна».

В. Колкутин:

Да, это просто без него он не состоялся бы. Но как раз тех важных вещей – «причинная связь», «дефект в оказании помощи», «недостаток в оказании» там Вы этого не найдете.

В чем шедевральность этого общепринятого в медицине представления об этиологии? Из всех 29 листов это единственное, что касается установления причинно-следственной связи. Больше ни слова в данном документе нет. Это, простите меня, можно, что называется, и на плакате написать, то, что здесь написано. Не надо было огород городить. А вот беда-то в другом, что есть еще масса других критериев. Там, как минимум, еще три надо назвать критерия: объективности, критерий временной асимметрии и критерий всеобщности. И эти вещи должен знать человек, который занимается в ходе экспертизы установлением наличия или отсутствия причинно-следственной связи.

Мы все время забываем и все время хотим взвалить на себя груз больший, чем мы можем унести. Не устанавливаем мы наличие или отсутствие причинной связи. Мы можем установить медицинские признаки: либо наличие, либо отсутствие.

Не устанавливаем мы наличие или отсутствие причинной связи. Мы можем установить медицинские признаки: либо наличие, либо отсутствие

Л. Каримова:

К видам неблагоприятного исхода – опять же, цитирую «Порядок проведения судебно-медицинских экспертиз» – перечисляются 10 пунктов из 522Н и «медицинских критериев определения тяжести вреда, причиненного здоровью человека». А вот я хотела спросить: неужели неблагоприятным исходом не может быть поверхностное повреждение? Поверхностное повреждение в этих критериях отсутствует либо если это поверхностное повреждение, мы это не определяем и не устанавливаем?

В. Колкутин:

Я бы очень хотел, чтобы когда-нибудь на этом месте сидел автор этих рекомендаций и отвечал на Ваши вопросы, потому что невольно получается, что я должен за него отвечать.

Л. Каримова:

Я думаю, было бы очень интересно.

В. Колкутин:

Я могу только объяснить, как оно взялось в этом документе. Берется 522-ое Постановление – «вырезать», «скопировать», «перенести», и готово. Ведь нигде не дается определения (ни в первом документе, ни во втором), а что такое благоприятный исход?

Л. Каримова:

Здесь про благоприятный исход написано, что в случаях наступления благоприятного исхода при лечении вред здоровью не устанавливается.

В. Колкутин:

Минуточку. Я говорю, нигде не написано, что такое благоприятный исход. Надо было две ноги отрезать, а отрезали одну? Или отрезали обе, слава Богу, что жив остался, понимаете? То есть как установить границы, где он уже неблагоприятный, а где уже стал благоприятным? Нигде Вы этого не найдете.

Я бы так сказал, это уже профессиональная наглость. Я бы так просто это назвал, потому что существует Приказ министра здравоохранения 194Н, где четко написано, что дефект в оказании медицинской помощи, если он повлек за собой вред здоровью, оценивается по критериям тяжести. И вот так методическими рекомендациями отменять это положение – я думаю, что это достаточно дерзко.

Л. Каримова:

Уважаемые друзья, к сожалению, наш сегодняшний эфир подошел к концу. Спасибо, что вы были с нами. Спасибо, Виктор Викторович!

В. Колкутин:

На здоровье. Не болейте.

Л. Каримова:

Надеюсь, мы Вас еще увидим в эфире радио Mediametrics. Будьте с нами в следующий вторник. Всего хорошего! Спасибо большое. До свидания.

 

Причинно-следственная связь — вопрос права или вопрос факта?

Как известно, основаниями для удовлетворения требования о взыскании убытков является совокупность условий: факт их причинения, документально подтвержденный размер убытков и наличие причинно-следственной связи между понесенными убытками и нарушением.

Для деликтной ответственности чуть иначе, но причинно-следственная связь также необходима.

Чем же является причинно-следственная связь — вопросом права или вопросом факта? Вопрос о наличии либо отсутствии причинно-следственной связи часто ставят на разрешение эксперта. Но вопрос права на разрешение эксперта ставить нельзя.

Значит, вопрос факта. Но так ли это?

Как соотнести «причинно-следственная связь = вопрос факта» с презумпциями в п.5 постановления Пленума Верховного Суда от 24.03.16 № 7? С разрешением вопросов о причинно-следственной связи в инстанциях, следующих за апелляцией? С тем, что Верховный Суд недавно указал «причиненные истцу убытки были связаны с определением сторонами договора купли-продажи по своему усмотрению порядка оплаты квартиры, сама по себе не может служить основанием для отказа в иске, поскольку не свидетельствует об отсутствии вреда, причинной связи между противоправным поведением и наступившим вредом, вины причинителя вреда»?

Или все-таки именно причинно-следственная связь — это вопрос права, а уже «повлияло ли на возникшие убытки событие такое-то по мнению эксперта» — это вопрос факта, который и можно ставить перед экспертом. Аналогично и стороны вправе представлять доказательства причинной связи, но на их основании суд должен лишь промежуточно установить наличие либо отсутствие обстоятельств, которые будут далее использованы судом для разрешения вопроса о наличии причинно-следственной связи.

Обычные примеры — договорные убытки, ДТП. Можно ограничиться заключением эксперта, который прямо укажет «действия лица Х находились в прямой причинной связи с наступившими последствиями» или все-таки вопрос посложнее?!

Почему корреляция не подразумевает причинно-следственной связи? | Сима Сингх

Корреляция и причинная связь — это термины, которые в большинстве случаев понимаются неправильно и часто используются как взаимозаменяемые. Понимание обоих статистических терминов очень важно не только для того, чтобы делать выводы, но, что более важно, делать правильные выводы в конце. В этом блоге мы поймем, почему корреляция не подразумевает причинно-следственную связь.

Мы много раз слышали, что «корреляция не вызывает причинной связи», или «корреляция не подразумевает причинной связи», или «корреляция не является причинно-следственной связью».Но что они на самом деле имеют в виду, говоря это?

Вы получите четкое представление, когда мы прочтем этот пост в блоге. Итак, начнем!

Корреляция — это статистический метод, который показывает, насколько сильно пара переменных линейно связаны и изменяются вместе. Он не говорит нам, почему и как стоят за отношениями, но просто говорит, что отношения существуют.

Пример: Корреляция между продажами мороженого и проданными солнцезащитными очками.

По мере роста продаж мороженого растут и продажи солнцезащитных очков.

Причинная связь идет дальше, чем корреляция. В нем говорится, что любое изменение значения одной переменной вызовет изменение значения другой переменной, что означает, что одна переменная вызывает другую. Его также называют причиной и следствием.

Пример: Когда человек тренируется, количество сжигаемых калорий увеличивается каждую минуту. Бывшее приводит к тому, что происходит последнее.

Итак, теперь мы знаем, что такое корреляция и причинно-следственная связь, пора понять: «Корреляция не подразумевает причинно-следственную связь!» с известным примером.

Продажи мороженого коррелируют с убийствами в Нью-Йорке (исследование)

По мере того, как продажи мороженого растут и падают, растет и количество убийств. Является ли потребление мороженого причиной смерти людей?

Нет. Две взаимосвязанные вещи не означают, что одна вызывает другую.

Корреляция не означает причинно-следственной связи, или в нашем примере мороженое не вызывает смерти людей.

Когда две несвязанные вещи связаны вместе, они могут быть связаны либо причинно-следственной связью, либо корреляцией.

В большинстве случаев корреляция возникает только из-за совпадений. То, что кажется, что один фактор влияет на другой, не означает, что это действительно так.

Корреляция — это то, о чем мы думаем, когда ничего не видим под покровом. Таким образом, чем меньше у нас информации, тем больше мы вынуждены наблюдать корреляции. Точно так же, чем больше у нас информации, тем более прозрачными станут вещи и тем больше мы сможем увидеть реальные случайные отношения.

Связь солнечных дней с продажей мороженого и убийствами

В некоторых случаях существуют некоторые скрытые факторы, которые на каком-то уровне связаны. Как и в нашем примере с продажами мороженого и количеством убийств, погода является скрытым фактором, вызывающим обе эти вещи. Погода на самом деле вызывает рост продаж мороженого и убийств. Как и летом, люди обычно выходят на улицу, наслаждаются солнечным днем ​​и расслабляются с мороженым. Поэтому в солнечную погоду на улице находится широкий круг людей и более широкий выбор жертв для хищников.

Нет причинно-следственной связи между мороженым и уровнем убийств, солнечная погода объединяет оба фактора. И да, продажа мороженого и убийства имеют причинно-следственную связь с погодой.

Сразу после обнаружения корреляции не делайте вывод слишком быстро. Найдите время, чтобы найти другие основные факторы, поскольку корреляция — это только первый шаг. Найдите скрытые факторы, проверьте, верны ли они, и затем сделайте вывод.

Надеюсь, этот пост развеял ваши сомнения!

Спасибо за прочтение !!

Связь с причинно-следственной связью

При рассмотрении взаимосвязи между воздействием и последствиями для здоровья важно различать связь и причинно-следственную связь.В конечном итоге эпидемиологи хотят иметь возможность делать выводы о причинно-следственной связи, но большинство эпидемиологических исследований сосредоточено на установлении ассоциаций.

Ассоциация: Является ли указанный исход для здоровья более вероятным у людей с определенным «воздействием»? Ссылка есть? Ассоциация — это статистическая связь между двумя переменными.

Две переменные могут быть связаны без причинно-следственной связи. Например, существует статистическая связь между количеством людей, утонувших в результате падения в бассейн, и количеством фильмов, в которых Николас Кейдж появился в данном году.Однако очевидно, что причинно-следственной связи нет.

еврейских женщин имеют более высокий риск рака груди, в то время как мормоны имеют более низкий риск. Однако религия не является причиной рака груди. Есть и другие объяснения.

Было убедительно продемонстрировано, что люди с более низким социально-экономическим статусом (СЭС) имеют более высокий риск рака легких, т.е. существует четкая связь, но означает ли это, что низкий СЭС является причиной рака легких? Более правдоподобным объяснением является то, что люди с более низким СЭС более склонны курить и хронически подвергаться воздействию загрязнения воздуха и что воздействие этих загрязнителей на дыхательные пути вызывает мутации в клетках бронхов, которые в конечном итоге могут вызвать рак.

Причинная связь: Причинная связь означает, что воздействие производит эффект. Это может быть наличие неблагоприятного воздействия, например, повышенный риск при работе на угольной шахте, употреблении запрещенных наркотиков или вдыхании вторичного дыма. Причинными факторами также может быть отсутствие профилактического воздействия, например, отсутствие ремня безопасности или отсутствие физических упражнений. Причина должна быть связана с результатом, но простой демонстрации связи недостаточно.Чтобы сделать вывод о том, что недостаток физических упражнений является причиной сердечных заболеваний, необходимо проанализировать совокупность данных, предполагающих причинно-следственную связь, а также рассмотреть другие критерии. Например,

• Воздействие табачного дыма и загрязнения воздуха предшествует возникновению рака легких?
• Существует ли сильная связь между курением и последующим возникновением рака легких?
• Возможно ли, что из-за рака легких человек начинает курить?

Интересно отметить, что когда курильщикам, которые всю жизнь говорят, что у них рак легких или эмфизема легких, многие из них бросают курить.Это создает впечатление, что бывшие курильщики с большей вероятностью умрут от эмфиземы или рака легких, чем нынешние курильщики.

вернуться наверх | предыдущая страница | следующая страница

Поймите разницу для вашего продукта

Корреляция и причинно-следственная связь могут показаться обманчиво похожими. Но признание их различий может быть решающим фактором между потерей усилий на малоценные функции и созданием продукта, которым ваши клиенты не могут перестать восторгаться.

В этой статье мы сосредоточимся на корреляции и причинно-следственной связи, поскольку они относятся конкретно к созданию цифровых продуктов и пониманию поведения пользователей.Менеджеры по продуктам, специалисты по обработке данных и аналитики сочтут это полезным для использования правильной информации для роста продукта, например, влияют ли определенные функции на удержание или вовлеченность пользователей.

Прочитав эту статью, вы:

• Знаете ключевые различия между корреляцией и причинно-следственной связью
• Ключевые различия между корреляцией и причинно-следственной связью
• Два надежных решения, которые ваша команда может использовать для проверки причинно-следственной связи

В чем разница между корреляцией и причинно-следственной связью?

Хотя причинная связь и корреляция могут существовать одновременно, корреляция не подразумевает причинной связи.Причинная связь явно применяется к случаям, когда действие A приводит к результату B. С другой стороны, корреляция — это просто связь. Действие A относится к действию B, но одно событие не обязательно вызывает другое событие.

Корреляцию и причинно-следственную связь часто путают, потому что человеческий разум любит находить закономерности, даже если они не существуют. Мы часто придумываем эти паттерны, когда две переменные кажутся настолько тесно связанными, что одна зависит от другой. Это будет означать причинно-следственную связь, когда зависимое событие является результатом независимого события.

Однако мы не можем просто предположить причинно-следственную связь, даже если видим два события, происходящие, по-видимому, вместе на наших глазах. Во-первых, наши наблюдения носят чисто анекдотический характер. Во-вторых, существует множество других возможностей для ассоциации, в том числе:

• Верно и обратное: B на самом деле вызывает A.
• Эти две взаимосвязаны, но это еще не все: A и B взаимосвязаны, но на самом деле они вызваны C.
• Есть еще одна переменная: A действительно вызывает B — пока происходит D.
• Существует цепная реакция: A вызывает E, что приводит к тому, что E вызывает B (но вы только своими глазами видели, что A вызывает B).

Пример корреляции и причинно-следственной связи в аналитике продукта

Можно ожидать, что вы обнаружите причинно-следственную связь в своем продукте, где определенные действия или поведение пользователя приводят к определенному результату.

Представьте себе: вы только что запустили новую версию своего мобильного приложения. Вы делаете ключевую ставку на то, что удержание пользователей вашего продукта связано с социальным поведением в приложении.Вы просите свою команду разработать новую функцию, которая позволит пользователям присоединяться к «сообществам».

Через месяц после того, как вы выпустите и объявите о своей новой функции сообществ, около 20% всех пользователей приняли ее. Интересно, влияют ли сообщества на удержание, вы создаете две когорты одинакового размера со случайно выбранными пользователями. В одной когорте есть только пользователи, присоединившиеся к сообществам, а в другой — только пользователи, которые не присоединились к сообществам.

Ваш анализ показывает шокирующий вывод: пользователи, которые присоединились хотя бы к одному сообществу, удерживаются гораздо чаще, чем средний пользователь.

Почти 90% тех, кто присоединился к сообществам, все еще находятся в Дне 1 по сравнению с 50% тех, кто этого не сделал. К 7 дню вы увидите 60% удержания среди присоединившихся к сообществу и около 18% удержания среди тех, кто не присоединился. Это похоже на массовый переворот.

Источник

Но подождите. Вы знаете, что у вас недостаточно информации, чтобы сделать вывод о том, приводит ли присоединение к сообществам к лучшему удержанию. Все, что вы знаете, это то, что эти два понятия взаимосвязаны.

ПРОГРАММА УДЕРЖАНИЯ

Чтобы развивать свой продукт, вам нужна сильная стратегия удержания.

Прочтите наше руководство, чтобы получить советы экспертов по инструментам, стратегиям и реальным примерам для повышения удержания пользователей.

📚 Загрузить руководство >>

Как проверить наличие причинно-следственной связи в вашем продукте

Причинно-следственные связи не возникают случайно.

Может возникнуть соблазн связать две переменные как «причину и следствие». Но выполнение этого без подтверждения причинности в надежном анализе может привести к ложноположительному результату, когда причинно-следственная связь, кажется, существует, но на самом деле ее нет.Это может произойти, если вы не тщательно проверяете взаимосвязь между зависимой и независимой переменной.

Ложные срабатывания проблематичны для получения информации о продукте, потому что они могут ввести вас в заблуждение, заставив думать, что вы понимаете связь между важными результатами и поведением пользователей. Например, вы можете подумать, что знаете, какое конкретное событие активации ключа приводит к долгосрочному удержанию пользователей, но без тщательного тестирования вы рискуете принять важные решения о продукте на основе неправильного поведения пользователя.

Проведите надежные эксперименты для определения причинной связи

После того, как вы найдете корреляцию, вы можете проверить ее, запустив эксперименты, которые «контролируют другие переменные и измеряют разницу».

Два таких эксперимента или анализа, которые вы можете использовать для выявления причинно-следственной связи с вашим продуктом:

• Проверка гипотез
• A / B / n эксперименты

1. Проверка гипотез

Самая основная проверка гипотез будет включать H0 (нулевая гипотеза) и h2 (ваша основная гипотеза) .Вы также можете иметь вторичную гипотезу, третичную гипотезу и так далее.

Нулевая гипотеза противоположна вашей первичной гипотезе . Почему? Потому что, хотя вы не можете доказать свою основную гипотезу со 100% уверенностью (ближайшая к вам — 99%), вы можете опровергнуть свою нулевую гипотезу.

Первичная гипотеза указывает на причинно-следственную связь, которую вы исследуете, и должна определять независимую переменную и зависимую переменную.

Лучше сначала создать свой h2, затем определить его противоположность и использовать его для H0. Ваш h2 должен определять отношения, которые вы ожидаете между независимыми и зависимыми переменными. Итак, если мы воспользуемся предыдущим примером влияния социальных функций в приложении на удержание, ваша независимая переменная будет присоединяться к сообществам, а ваша зависимая переменная — удержанию. Итак, ваши гипотезы могут быть такими:

h2: Если пользователь присоединится к сообществу в рамках нашего продукта в первый месяц, он останется клиентом более одного года.

Затем отрицайте свой h2, чтобы сгенерировать нулевую гипотезу:

H0: Нет никакой связи между присоединением к сообществу внутри приложения и удержанием пользователей.

Цель состоит в том, чтобы увидеть любые фактические различия между вашими гипотезами. Если вы можете отклонить нулевую гипотезу со статистической значимостью (в идеале с достоверностью минимум 95%), вы ближе к пониманию взаимосвязи между вашими независимыми и зависимыми переменными.В приведенном выше примере, если вы можете отклонить нулевую гипотезу, обнаружив, что присоединение к сообществу привело к более высоким показателям удержания (с поправкой на смешанные переменные, которые могут повлиять на ваши результаты), то вы, вероятно, можете сделать вывод, что существует некоторая связь между сообществами и пользователем. удержание.

Чтобы проверить эту гипотезу, составьте уравнение, которое точно отражает взаимосвязь между ожидаемой причиной (независимая переменная) и следствием (переменная результата). Если ваша модель позволяет вам подставлять значение для вашей переменной воздействия и последовательно возвращать результат, который отражает фактические наблюдаемые данные, вы, вероятно, на чем-то натолкнулись.

Когда использовать проверку гипотез:

Проверка гипотез полезна, когда вы пытаетесь определить, действительно ли существует связь между двумя переменными, вместо того, чтобы смотреть на отдельные свидетельства. Возможно, вам захочется посмотреть на исторические данные, чтобы запустить продольный анализ , который отслеживает изменения во времени. Например, вы можете выяснить, являются ли первые участники запуска продукта вашими крупнейшими промоутерами. Вы можете посмотреть на шаблоны рефералов, а также сравнить эту связь с запуском продукта с течением времени.

Или вы можете запустить перекрестный анализ , который анализирует моментальный снимок данных. Это полезно, когда вы смотрите на эффекты конкретного воздействия и результата, а не на изменения в тенденциях за период. В качестве примера вы можете изучить взаимосвязь между праздничными рекламными акциями и продажами.

2. Эксперименты A / B / n

В качестве альтернативы, тестирование A / B / n 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 вам подходит, следующим шагом будет ее A / B-тестирование. Сделайте что-нибудь, что повысит приоритет входной переменной, возможно, за счет чего-то еще ». Он продолжает: «Посмотрим, станут ли в результате эти пользователи более успешными. Если вы видите большую разницу в своей метрике успеха, значит, вы на правильном пути.Если нет, то, может быть, это не очень удачная модель ».

Когда дело доходит до доказательства того, что присоединение к сообществам приводит к более высокому уровню удержания, вы должны исключить все другие переменные, которые могут повлиять на результат. Например, пользователи могли пойти другим путем, что в конечном итоге повлияло на удержание.

Чтобы проверить, существует ли причинно-следственная связь, вам нужно найти прямую связь между присоединением пользователей к сообществам и долгосрочным использованием вашего приложения.

Начните с процесса адаптации.Для следующих 1000 пользователей, которые зарегистрируются, разделите их на две группы. Половина будет вынуждена присоединиться к сообществам при первой регистрации, а другая половина — нет.

Запустите эксперимент в течение 30 дней, а затем сравните уровни удержания между двумя группами.

Если вы обнаружите, что группа, которая была вынуждена присоединиться к сообществам, имеет относительно более высокий уровень удержания, тогда у вас есть доказательства, необходимые для подтверждения наличия причинно-следственной связи между присоединением к сообществам и удержанием.Эти отношения, вероятно, стоит изучить глубже, чтобы понять, почему сообщества стимулируют удержание.

Вы не будете уверены в родстве, пока не проведете эксперименты такого типа.

Когда использовать A / B / n-тестирование:

A / B / n, или сплит-тестирование, идеально подходит, когда вы сравниваете влияние различных вариантов (это может быть кампания, функция продукта или контент). стратегия). Например, сплит-тест процесса адаптации вашего продукта может сравнить эффективность различных стратегий на основе определенных характеристик, в том числе:

• Варианты копирования
• Различная графика
• Использование стороннего приложения для автоматического распознавания имени и компании ваши пользователи
• Уменьшение количества полей в вашей форме регистрации, если у вас есть одно

После запуска нескольких вариантов адаптации продукта вы можете взглянуть на результаты, чтобы сравнить такие показатели, как процент отказов, конверсия и т. д. и даже удержание.

Действуйте в соответствии с правильными корреляциями для устойчивого роста продукта

Мы всегда ищем закономерности вокруг нас, поэтому наша цель по умолчанию — объяснить то, что мы видим. Однако, если причинно-следственная связь не может быть четко определена, следует предположить, что мы наблюдаем только корреляцию.

События, которые кажутся взаимосвязанными на основе здравого смысла, нельзя рассматривать как причинные, если вы не можете доказать четкую и прямую связь. И хотя причинная связь и корреляция могут существовать одновременно, корреляция не означает причинную связь.

Чем больше вы научитесь определять истинные корреляции в своем продукте, тем лучше вы сможете расставить приоритеты для привлечения и удержания пользователей.

Корреляция и причинно-следственная связь: в чем разница?

Данные — чрезвычайно мощный элемент любого решения. Американский статистик У. Эдвардс Деминг однажды сказал: «Мы верим в Бога. Все остальные должны приносить данные ». Но слишком часто данные могут быть неверно истолкованы. Одна из самых больших путаниц при любом анализе данных вращается вокруг корреляции vs.причинно-следственная связь.

Существует бесчисленное количество статей, в которых делаются дикие, часто ироничные выводы, сделанные на основе двух сильно коррелированных наборов данных. Например, Harvard Business Review однажды рассмотрел примеры, показывающие «возможность» того, что:

• Чем больше вы тратите на спортивные матчи, тем меньше вероятность употребления кукурузного сиропа с высоким содержанием фруктозы
• Продано больше iPhone означает, что больше людей умирают от падения с лестницы

Это крайние примеры. Хотя корреляция не обязательно подразумевает причинно-следственную связь, и эти примеры показывают опасность непонимания разницы между корреляцией и причинно-следственной связью в реальном мире.В этих случаях необходима дополнительная проверка, прежде чем корреляция может считаться причинной.

В чем разница между корреляцией и причинно-следственной связью?

Начнем с основ. Каково определение причинно-следственной связи и корреляции?

Что такое корреляция?

Австралийское статистическое бюро дает прекрасное определение корреляции:

«[Это] статистическая мера (выраженная в виде числа), которая описывает размер и направление взаимосвязи между двумя или более переменными.”

Другими словами, изменение одной переменной обычно отражается положительным или отрицательным изменением другой.

Какие бывают типы корреляций?

• Положительная корреляция : переменные A и B движутся в одном направлении. Например, с увеличением переменной A увеличивается и B.
• Отрицательная корреляция : Переменные A и B движутся в противоположных направлениях. Например, когда переменная A увеличивается, B уменьшается.
• Нет корреляции : Нет очевидной связи между переменными A и B.

Сила линейной связи между двумя переменными, также называемая коэффициентом корреляции , может варьироваться от -1 (отрицательная корреляция) до 1 (положительная корреляция). Чем ближе коэффициент корреляции к -1 или 1, тем сильнее связь. С другой стороны, коэффициент корреляции 0 указывает на отсутствие корреляции между этими двумя переменными.

Однако корреляция не обязательно означает, что данные независимые и зависимые переменные связаны.Что подводит нас к причинно-следственной связи…

Что такое причинно-следственная связь?

Также известное как «причинность», Австралийское статистическое бюро определяет причинность следующим образом:

«… одно событие является результатом возникновения другого события; то есть между двумя событиями существует причинно-следственная связь. Это также называется причиной и следствием ».

Другими словами, действительно ли одна переменная влияет на другую?

Причинная связь vs.Примеры корреляции

Spurious Correlations — это развлекательный ресурс, в котором приводятся примеры, демонстрирующие сильные связи между переменными, но не обусловленные друг другом. По крайней мере, их не должно быть.

Показательный пример: употребление маргарина отстает от количества разводов в штате Мэн?

Источник: tylervigen.com (ссылка на лицензию)

Если вернуться к примерам продуктов питания, может ли сыр быть секретным топливом, которое помогает инженерам-строителям в их исследованиях?

Источник: tylervigen.com (ссылка на лицензию)

Обе диаграммы показывают сильную корреляцию между зависимыми и независимыми переменными. Однако это, вероятно, классические случаи, когда «корреляция не подразумевает причинно-следственной связи». То есть, если только маргарин не является действительно болезненным предметом для пар в штате Мэн или если есть новые революционные эффекты от употребления большого количества сыра.

Почему важно знать разницу между корреляцией и причинно-следственной связью?

Приведенные выше примеры корреляции и причинно-следственной связи показывают, насколько важно правильно различать различия.

Авинаш Кошик, евангелист цифрового маркетинга в Google, писал в 2016 году о том, что непонимание разницы может быть очень проблематичным. Кошик выделил статью из журнала The Economist, в которой утверждалось, что употребление большего количества мороженого может повысить успеваемость учащихся по шкале чтения PISA.

«Нормальным людям (не аналитикам) этот график и статья выглядят законными», — написал Кошик. «В конце концов, это уважаемый сайт и уважаемая команда. О, и посмотрите, есть красная линия, что похоже на правдоподобное распределение, и R-квадрат! »

Но Кошик хочет, чтобы мы немного внимательнее относились к имеющимся данным, а не принимали их за чистую монету.

Он указывает, что нет ничего, что могло бы обосновать причинность того и другого, несмотря на разумную корреляцию. Может показаться, что существует связь, связывающая IQ с потреблением мороженого. Однако данные не дают однозначно ничего, кроме этой очевидной корреляции.

Смелые заявления

В повседневной жизни у нас есть доступ к большему количеству данных, чем когда-либо прежде. Решения, мнения и даже бизнес-стратегии могут зависеть от нашей способности различать их.

Кошик использует приведенный выше пример, чтобы напомнить людям, что они более скептически относятся к утверждениям, которые делают смелые выводы на основе коррелированных данных. Он призывает читателей глубже анализировать данные и избегать простых решений.

«Наша работа — быть скептиком, копать и понимать, тыкать и подталкивать и отвергать возмутительно неправильное, и, если это не возмутительно неправильное, то выяснять, насколько это может быть правильно, чтобы вы могли дать обоснованную рекомендацию» — Авинаш Кошик

Причинность vs.Корреляция — это также тема, которую Майкл Мольнар рассматривает в статье Forbes. Мольнар предупреждает, что:

«Запутанная корреляция с причинно-следственной связью — не неизвестная проблема, но она становится все более проблематичной по мере увеличения объема данных и увеличения мощности компьютеров … это затрагивает суть того, что мы знаем — или думаем, что знаем — о том, как устроен мир»

Может быть трудно сделать вывод о причинно-следственной связи между двумя переменными. Рандомизированный контролируемый опыт и другие статистические тесты часто необходимы, чтобы проверить, действительно ли одна переменная влияет на другую.Более того, хотя корреляции могут быть полезными мерами, у них есть ограничения. Как мы видели в приведенных выше примерах корреляции и причинно-следственной связи, это обычно связано с измерением линейной связи.

Получение правильной корреляции и причинно-следственной связи

В современном мире, основанном на данных, крайне важно быть более скептически настроенным по отношению к конкретным выводам, прежде чем делать смелые заявления, как предполагает Кошик. Как мы можем это сделать? Дальнейшие исследования и, по возможности, дополнительное тестирование.

Внешние факторы (называемые «мешающими факторами» или «скрытыми переменными») иногда могут вступать в игру для одной или двух переменных в данной корреляции.Например, некоторые исследования обнаружили связь между употреблением кофе и риском рака легких. Однако, как показывает один метаанализ этих результатов, было обнаружено, что «курение» является потенциально мешающей переменной в результатах [1]. Как уже упоминалось, и, как и в случае с другими ключевыми выводами, дальнейшие исследования могут помочь прояснить контекст, лежащий в основе корреляций.

Проверка причинно-следственной связи — сложная задача. Однако экспериментальный план может помочь. Здесь исследователь может проверить гипотезу таким образом, чтобы он мог контролировать одну переменную (независимую переменную) и измерять ее влияние на другую переменную (зависимую переменную).Что наиболее важно, это может помочь им контролировать возможные факторы, влияющие на результаты, чтобы избежать потенциальной предвзятости в их результатах. Для получения дополнительной информации о том, как работает экспериментальный дизайн, этот обзор Britannica является отличным введением.

Подходите к аналитике клиентского опыта с уверенностью

В Astute мы помогаем ведущим брендам оценивать и повышать качество обслуживания клиентов с помощью проверенных решений по взаимодействию с клиентами, в том числе Astute VoC, нашего решения для голоса клиентов.Наши эксперты по голосовой связи также помогут разобраться в ваших данных, чтобы вы могли получить практическую информацию, в которой вы можете быть уверены.

Посмотрим, чем мы можем помочь. Запросите вашу персонализированную демонстрацию сегодня.

Дополнительные ресурсы о корреляции и причинно-следственной связи

Ниже приведены некоторые полезные ресурсы, которые объясняют корреляцию против причины и следствия.

[1] Галаррага, В., и Боффетта, П. (2016). Употребление кофе и риск рака легких — метаанализ. Биомаркеры эпидемиологии рака и профилактика , 25 (6), 951–957.https://doi.org/10.1158/1055-9965.epi-15-0727

Корреляция не подразумевает причинно-следственной связи

Часто люди наивно заявляют, что изменение одной переменной вызывает изменение другой переменной. У них могут быть доказательства из реального опыта, указывающие на корреляцию между двумя переменными, но корреляция не подразумевает причинно-следственную связь! Например, чем больше вы спите, заставит вас работать лучше, чем . Или, , больше кардио заставит вас потерять жир на животе.Эти утверждения могут быть фактически правильными. Однако с этими утверждениями нам нужны доказательства из должным образом завершенного исследования, чтобы фактически заявить, что между двумя переменными существует связь причинно-следственная связь .

Если кто-то заявит подобное потенциально ложное случайное утверждение, я бы посоветовал им провести независимые исследования для сбора официальных доказательств. Исследования часто проводятся исследовательскими институтами и университетами. Вот статья, опубликованная в Журнале ожирения, в которой цитируется несколько исследований, которые предоставляют доказательства того, что периодические упражнения высокой интенсивности могут быть эффективными, чтобы заставить людей терять жир на животе.

У Тайлера Вигена на своем веб-сайте есть интересная страница, на которой изображены ложные корреляции. Ниже приведен пример, демонстрирующий сильную положительную линейную корреляцию с расходами США на науку, космос и технологии с самоубийствами через повешение, удушение и удушение.

Однако, как вы думаете, расходы США в этой области являются причиной самоубийств через повешение? Моя гипотеза состоит в том, что нет доказательств , подтверждающих причинную связь между этими двумя переменными.

Хотя этот пример с веб-сайта Тайлера кажется экстремальным, он насмехается над тем, как люди могут сразу визуализировать взаимосвязь между двумя числовыми переменными и наивно прийти к выводу, что существует причинно-следственная связь.

Наконец, я хочу показать забавный комикс с сайта комиксов XKCD о корреляции и причинно-следственной связи. »

Шутка в том, что парень справа считает, что у него нет веских доказательств (например, проведенных в ходе исследования), подтверждающих, что его класс статистики заставил его поверить в этот факт.

Корреляция и причинно-следственная связь: простое руководство

Опубликовано 22 февраля 2017 г., автор: Людвиг Руф

Руководства и основы

Сознательно или подсознательно мы стремимся найти в нашем окружении объяснения, почему вещи происходят именно так. Допустим, мы хотим знать, почему вчера я страдал от головной боли или почему некоторые гены способствуют превращению человеческих клеток в раковые. Поиск истинной причины, запускающей исход, важен по трем основным причинам.Это позволяет нам 1) объяснить текущую ситуацию, 2) спрогнозировать будущие результаты и 3) разработать меры вмешательства, направленные на причину изменения результата.

Теперь очевидно, что трудная задача — найти причину. Трудность в установлении причины возникает из-за того, что поведение и физиологические процессы часто являются результатом сложных взаимодействий между множеством факторов. Однако, когда вещи становятся сложными, мы пытаемся разбить их на мельчайшие единицы, исследуем отношения между ними и снова собираем все вместе, чтобы сделать общие выводы.

В исследованиях это обычно делается путем сопоставления интересующих переменных друг с другом. То есть, глядя, как увеличивается одна переменная, увеличивается другая переменная (положительная корреляция) или уменьшается (отрицательная корреляция).

Пример 1: Потребление шоколада и лауреаты Нобелевской премии

Скажем, например, исследование показало, что потребление шоколада на душу населения положительно коррелирует с количеством лауреатов Нобелевской премии на 10 миллионов жителей: чем выше потребление шоколада, тем больше лауреатов Нобелевской премии (Messerli, 2012).

Осторожно: интерпретация природы этой корреляции непроста. Исследование не дает четких доказательств направления эффекта. Таким образом, невозможно дать причинную интерпретацию, например, «употребление большего количества шоколада приводит к увеличению количества Нобелевских премий» или «получение большего количества Нобелевских премий заставляет вас есть больше шоколада». Другими словами, мы ничего не можем сказать о том, повысит ли употребление большего количества шоколада вероятность получения Нобелевской премии или наоборот. В этом случае стоит отметить, что корреляции просто показывают закономерность, не доказывая природу этой закономерности.Возможно, эта корреляция возникает случайно. Это известно как ложная корреляция (т.е. когда 2 или более событий не связаны причинно, но могут казаться таковыми либо по совпадению, либо потому, что они вызваны каким-то неизвестным фактором). Щелкните здесь, чтобы узнать больше о ложных корреляциях.

Пример 2: Воздействие антибиотиков в течение первого года жизни и увеличение веса в раннем детстве

Давайте рассмотрим второй пример: потенциальную связь между воздействием антибиотиков в течение первого года жизни и увеличением веса в раннем детстве.Исследования показывают, что получение большего количества антибиотиков увеличивает риск избыточного веса в более старшем возрасте в детстве (например, Bailey et al., 2014).

Может показаться логичным сделать вывод, что употребление антибиотиков на первом году жизни вызывает чрезмерное увеличение веса в раннем детстве. Однако, опять же, такого рода исследования показывают только корреляцию. Он не исследует причину для этих детей, страдающих избыточным весом по сравнению с детьми, получающими меньше или совсем не принимающими антибиотики.Последующий вопрос должен быть следующим: каков точный физиологический механизм, лежащий в основе этой связи? Хотя это исследование полезно в первую очередь, мы должны использовать его только как отправную точку для обнаружения истинных механизмов (если они есть). Без этого наши вмешательства будут менее эффективными, потому что мы не нацелены на настоящую причину .

Bailey et al. (2014). Эти цифры показывают повышенный риск ожирения при более широком применении антибиотиков, особенно у детей, подвергшихся 4 или более контактам с антибиотиками.

Пример 3. Повышенный ИМТ и повышенный риск рака

Наконец, давайте рассмотрим третий пример. Повышенный ИМТ, по-видимому, связан с повышенным риском некоторых видов рака у взрослых (Renehan et al., 2008).

Опять же, это может нас ввести в заблуждение. Было бы ошибочным заключить, что просто лишний вес вызывает рака. Вместо этого нам нужно рассмотреть другие потенциальные переменные, которые могут объяснить взаимосвязь между повышенным ИМТ и повышенным риском рака.Например, можно утверждать, что люди с более низким социально-экономическим статусом менее осведомлены о потенциальных факторах риска, не могут позволить себе хорошее медицинское обслуживание (например, профилактические меры для снижения риска рака) или просто ведут образ жизни, способствующий развитию определенных заболеваний. (например, меньшая физическая активность, диета и т. д.). Фактически, социально-экономический статус, по-видимому, связан с ИМТ у британских женщин в возрасте от 37 до 73 лет (Tyrrell et al., 2016).

Эти 3 примера иллюстрируют некоторые распространенные ошибки, которые можно сделать, делая выводы из корреляционных исследований.Несмотря на то, что вы знаете об этих подводных камнях, их бывает сложно избежать.

Тем не менее, я бы рекомендовал задавать себе следующие вопросы, имея дело с корреляциями:

1. Есть ли научные доказательства или даже правдоподобная логика относительно направления эффекта? (см. пример шоколада).
2. Существуют ли промежуточные переменные, которые могут объяснить корреляцию? например биологический механизм, который мог бы объяснить взаимосвязь (см. пример антибиотика).
3. Существуют ли неизмеряемые переменные, которые могли бы объяснить корреляцию? например третий фактор, который мог бы объяснить отношения (см. пример рака).

В заключение, наблюдение корреляций между переменными может быть относительно простым, но установить, что одна вещь вызывает другую, трудно. Читая статьи или научные статьи, будьте критичны. Задайтесь вопросом, можно ли рассматривать заявленную корреляцию между двумя переменными как причинно-следственную связь.

Так что же нам нужно на будущее? Я думаю, что нам нужно разработать общую картину взаимосвязанных отношений, а не искать изолированные связи между отдельными переменными.

Но прежде чем мы получим более точные ответы на вопрос о сложном взаимодействии корреляций, это может быть хорошим предлогом для того, чтобы попробовать кусочек шоколада. Никогда не знаешь.

Список литературы

Бейли, Л.С., Форрест, К.Б., Чжан, П., Ричардс, Т.М., Лившиц, А., ДеРуссо, П.А., 2014. Связь антибиотиков в младенчестве с ожирением в раннем детстве. JAMA Pediatr. 168, 1063-1069. DOI: 10.1001 / jamapediatrics.2014.1539

Мессерли, Ф.Х., 2012. Потребление шоколада, когнитивные функции и лауреаты Нобелевской премии. N. Engl. J. Med. 367, 1562-1564. DOI: 10.1056 / NEJMon1211064

Ренехан А.Г., Тайсон М., Эггер М., Хеллер Р.Ф., Звален М. Индекс массы тела и заболеваемость раком: систематический обзор и метаанализ проспективных обсервационных исследований. Ланцет. 2008 16 февраля; 371 (9612): 569-78.DOI: 10.1016 / S0140-6736 (08) 60269-X.

Tyrrell, J., Jones, S.E., Beaumont, R., Astley, C.M., Lovell, R., Yaghootkar, H., Tuke, M., Ruth, K.S. Фрити, Р.М., Хиршхорн, Дж. Н., Вуд, А. Р., Мюррей, А., Уидон, М. Н., Фрейлинг, Т. М., 2016. Рост, индекс массы тела и социально-экономический статус: исследование методом менделевской рандомизации в Биобанке Великобритании. Br. Med. J. 352, i582. DOI: 10.1136 / bmj.i582

Теги:

Определение, примеры и почему разница имеет значение

Отличие корреляции от причинной связи — одна из наиболее частых ошибок в рассуждениях.

Эти два слова кажутся обманчиво похожими, но выявление разницы между ними может либо изменить, либо сломать процесс создания продукта с высокой стоимостью для ваших клиентов.

Давайте начнем прямо сейчас, когда я рассмотрю корреляцию и причинно-следственную психологию и опишу основные различия между этими двумя общими терминами.

Что такое корреляция?

Корреляция — это связь или связь между двумя или более объектами. Эти отношения не случайны.Этот термин, наиболее часто используемый в статистике, относится к степени связи между любыми случайными величинами.

Если две переменные X и Y наблюдаются одновременно, между ними существует корреляция. Вы не можете сказать, что X вызвало Y, вы просто скажете, что когда X и Y наблюдаются вместе.

Типы корреляции:

Положительная корреляция:

• Когда переменная X увеличивается, переменная Y также увеличивается.Аналогично, если X уменьшается, Y соответственно уменьшается. Это положительная корреляция.

• Пример: чем больше подписчиков на вашем сайте, тем больше трафика он генерирует.

Отрицательная корреляция:

• Когда переменная X увеличивается, переменная Y уменьшается, или наоборот.

Нет корреляции

• Обе переменные не связаны. Любое изменение X не приводит к изменению Y или наоборот.

Итог : Корреляция отвечает, будут ли происходить 2 события одновременно. Это не подразумевает причинно-следственной связи. Иногда корреляцию можно назвать совпадением.

Что такое причинно-следственная связь?

Причинность — это принцип связи или отношения между следствием и его причинами. Это означает, что X и Y имеют причинно-следственную связь друг с другом.

• В отличие от корреляции, связь не возникает из-за совпадения.Мы говорим, что X вызывает Y, или наоборот.
• Это означает, что наличие одной переменной вызывает проявление другой.

Итог : Причинная связь отвечает, почему 2 вещи или события происходят одновременно.

Примеры причинно-следственной связи

Давайте начнем этот раздел с графика корреляции и причинно-следственной связи:

Как вы можете видеть на графике выше, существует корреляция между количеством потребляемого мороженого и количеством люди, погибшие из-за утопления.

Было бы смешно, если бы я сказал, что потребление мороженого вызывает утопление, не так ли?

Фактически, «летняя погода» — это третья переменная, которая является возбудителем в этом сценарии.

В теплую погоду люди, как правило, потребляют больше мороженого, а также чаще плавают, что приводит к увеличению числа смертей от утопления.

• В этом примере переменная X (потребление мороженого) не вызвала проявления переменной Y (смертей от утопления).Было совпадение. Следовательно, у X&Y есть корреляция между ними.
• Если мы введем переменную Z (летняя погода), то мы сможем увидеть причинно-следственную связь между переменной Y (гибель при утоплении) и переменной Z (летняя погода). Следовательно, переменная Z & Y имеет причинно-следственную связь между ними.

Причинно-следственная связь и корреляция в SEO

Мы можем применить то же различие к результатам SEO. В Troop Messenger мы проводим SEO-анализ перед написанием любого сообщения в блоге.Мы проводим этот анализ для большого количества факторов, пытаясь определить корреляцию между этими факторами.

Это позволяет нам проверить, изменяются ли два разных фактора в одном направлении в одно и то же время, а также понять степень их влияния друг на друга.

Изменение рейтинга вашего веб-сайта в результатах поиска может быть связано с причинно-следственной связью или корреляцией с любым из следующих факторов:

Ваши усилия по SEO

Показатели оптимизации на странице

• Усилия ваших конкурентов в области SEO
• Работа Белые методы SEO
• Метод построения ссылок

Обновления алгоритмов Google

• Переоценка сайта на соответствие новым стандартам

Как использовать корреляцию и причинно-следственную связь для SEO?

Различие между этими двумя терминами необходимо учитывать во время анализа SEO, особенно при попытке найти причинно-следственную связь между различными факторами.

Прежде чем судить о событиях, попробуйте взглянуть на них с разных сторон. Изучая факторы SEO, вы лучше понимаете взаимосвязь между событиями.

Вы можете подумать, что существует корреляция между более высоким рейтингом и большим количеством ссылок. Но после надлежащего анализа вы сможете различить это как причинность.

По мере того, как вы продолжите больше работать в этой области, вы сможете лучше оценивать и различать обе эти ситуации.

3 этапа создания значимых данных путем отслеживания нескольких показателей.

Если вам нужна более широкая и лучшая перспектива, вам нужно просмотреть тонны данных. В следующем разделе я объяснил 3 этапа создания значимых данных путем отслеживания нескольких показателей.

Шаг №1: Активно отслеживайте все факторы

Отслеживайте ключевые слова

• Создайте рабочий лист корреляции и причинно-следственной связи со списком каждого ключевого слова, на которое вы хотите настроить таргетинг, рядом со страницей, на которой вы используете эти ключевые слова
• Создайте электронную таблицу Excel, которая записывает ту же информацию для 100 самых популярных ключевых слов, которые генерировали трафик на ваш сайт

Отслеживание изменений на странице

• Каждый раз, когда вы вносите изменения в оптимизацию на сайте любого ваших веб-страниц, сделайте аннотацию в Google Analytics
• Эта аннотация должна содержать подробную информацию о внесенных изменениях и датах, когда они произошли

Отслеживание ссылок

• Создайте еще один рабочий лист Создать корреляцию против причинно-следственной связи для отслеживания качества и количество входящих ссылок, которые возвращаются на ваш сайт
• Обратите внимание на PageRank URL, на который ссылается, корневой URL-адрес и текст привязки, используемый в ссылке.
• . Изменения в распределении таких показателей ссылки могут привести к потерям или выгодам SEO.

Отслеживание всех социальных сигналов

• Количество подписчиков на Facebook, Instagram, Twitter и других социальных сетях
• Количество твитов, просмотров публикаций в Instagram и публикаций в Facebook
• Количество упоминаний URL на всех этих платформах
• Количество «лайков» профиля

Шаг № 2: Отслеживайте изменения SEO вашего конкурента

• Изменения количества, качества и типа входящих ссылок
• Изменения количества проиндексированных страниц
• на сайте изменения, которые вызывают сдвиг в стратегии SEO вашего конкурента
• Любая новая техника построения ссылок

Шаг № 3: Часто сравнивайте изменения в вашем рейтинге с вашими метриками

• Каждый раз, когда происходит изменение в рейтинге вашего сайта в результатах поиска сравните время появления этих результатов поиска с поддающимися количественной оценке показателями.