Słownik metodologiczny · Projekt badania

Korelacja a przyczynowość – dlaczego związek to jeszcze nie wpływ?

Korelacja pokazuje współwystępowanie, a nie przyczynę. Omawiamy trzy warunki wniosku przyczynowego, odwrotny kierunek i zmienne zakłócające oraz pokazujemy, jak formułować wnioski z badania korelacyjnego.

Strona główna / Słownik / Korelacja a przyczynowość

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Korelacja nie dowodzi przyczynowości: do wniosku przyczynowego potrzebne są też kolejność w czasie i wykluczenie innych wyjaśnień, np. zmiennej zakłócającej. W pracy korelacyjnej pisz „wiąże się z”, a nie „wpływa na”.

Korelacja a przyczynowość – na czym polega różnica?

Korelacja a przyczynowość (ang. correlation does not imply causation) to zasada, że współwystępowanie dwóch zmiennych nie dowodzi, że jedna wywołuje drugą. Korelacja mówi tylko, że wyższym wartościom X towarzyszą zwykle wyższe (albo niższe) wartości Y. Przyczynowość znaczy więcej: gdyby zmienić X, zmieniłoby się Y. Dotyczy to każdej pracy opartej na jednym pomiarze kwestionariuszowym, czyli na schemacie korelacyjnym.

Trzy warunki wniosku przyczynowego

  1. Współzmienność: X i Y są ze sobą związane. Sama korelacja spełnia tylko ten warunek.
  2. Kolejność w czasie: przyczyna poprzedza skutek. W badaniu przekrojowym nie wiadomo, co było pierwsze. Osoby aktywne fizycznie mogą mieć mniej lęku, ale lęk może też zniechęcać do ruchu (odwrotny kierunek).
  3. Wykluczenie innych wyjaśnień: związku nie tworzy trzecia zmienna. Wolny czas lub zdrowie mogą sprzyjać i aktywności, i niskiemu lękowi. To zmienna zakłócająca, a związek wywołany przez nią to korelacja pozorna.

Wszystkie trzy warunki spełnia najprościej eksperyment z losowym przydziałem. W danych obserwacyjnych wniosek przyczynowy wymaga jawnych założeń, np. zapisanych w diagramie przyczynowym. Sama kontrola statystyczna wszystkiego, co się zmierzyło, nie wystarcza i może nawet szkodzić (Rohrer, 2018).

Przykład: źle i dobrze

Sformułowania wniosków z badania korelacyjnego: niepoprawne i poprawne
Źle (język przyczynowy)Dobrze (język związku)
Aktywność fizyczna obniża lęk.Wyższa aktywność fizyczna wiązała się z niższym poziomem lęku.
Wsparcie społeczne chroni przed wypaleniem.Osoby z wyższym wsparciem społecznym deklarowały mniejsze wypalenie.
Wpływ samooceny na wyniki w nauce.Związek samooceny z wynikami w nauce.

Słowa „wpływa”, „powoduje”, „skutek”, „efekt” i „determinuje” zostaw dla eksperymentu. W przeglądzie artykułów popularnych w mediach społecznościowych język sporej części prac naukowych oceniono jako mocniejszy, niż pozwalał schemat badania (Haber i in., 2018).

Jak opisać w pracy

Badanie miało charakter korelacyjny i przekrojowy, dlatego uzyskane związki nie pozwalają rozstrzygnąć o kierunku zależności ani wykluczyć wpływu zmiennych niemierzonych. Weryfikacja hipotezy przyczynowej wymagałaby badania podłużnego lub eksperymentalnego.

Na co uważać

  • Ukryty język przyczynowy. Grosz i in. (2020) opisują, że badacze unikają jawnych pytań przyczynowych, a mimo to interpretują wyniki przyczynowo. Lepiej uczciwie nazwać pytanie przyczynowe i wypisać założenia.
  • Regresja to nie dowód. Słowo „predyktor” w regresji nie oznacza przyczyny.
  • Dyskusja bez alternatyw. Wymień odwrotny kierunek i możliwe zmienne zakłócające (zob. jak napisać dyskusję wyników).

Najczęstsze pytania

Jakie warunki trzeba spełnić, by mówić o przyczynowości?

Trzy: zmienne są ze sobą związane, przyczyna poprzedza skutek i wykluczono inne wyjaśnienia, zwłaszcza zmienne zakłócające. Najprościej spełnia je eksperyment z losowym przydziałem.

Czy w pracy korelacyjnej można użyć słowa „wpływ”?

Lepiej nie. Pisz „wiąże się z”, „współwystępuje z” albo „przewiduje”. Słowa „wpływa” i „powoduje” zostaw dla badań eksperymentalnych albo dla jawnie opisanych założeń przyczynowych.

Czy badanie podłużne pozwala wnioskować o przyczynie?

Ustala kolejność zdarzeń w czasie, więc spełnia jeden warunek więcej niż badanie przekrojowe. Nie wyklucza jednak zmiennych zakłócających, dlatego nadal potrzebne są ostrożne sformułowania.

Powiązane hasła

Korelacja pozornaZmienna zakłócającaSchemat korelacyjnySchemat eksperymentalnySchemat podłużnyBłąd ekologiczny

Poradniki, w których użyjesz tego pojęcia

Poradnik

Jak napisać dyskusję wyników – wzory zdań

Osiem elementów dyskusji z gotowymi zdaniami: interpretacja, wyniki nieistotne, konkretne ograniczenia, granice uogólniania, implikacje i wnioski.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Grosz, M. P., Rohrer, J. M., & Thoemmes, F. (2020). The taboo against explicit causal inference in nonexperimental psychology. Perspectives on Psychological Science, 15(5), 1243–1255. https://doi.org/10.1177/1745691620921521 ● Otwarty dostęp
  2. Haber, N., Smith, E. R., Moscoe, E., Andrews, K., Audy, R., Bell, W., Brennan, A. T., Breskin, A., Kane, J. C., Karra, M., McClure, E. S., Suarez, E. A., & CLAIMS Research Team. (2018). Causal language and strength of inference in academic and media articles shared in social media (CLAIMS): A systematic review. PLOS ONE, 13(5), Article e0196346. https://doi.org/10.1371/journal.pone.0196346 ● Otwarty dostęp
  3. Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629 ● Otwarty dostęp

Cytowania BibTeX

@article{grosz2020taboo, author={Grosz, Michael P. and Rohrer, Julia M. and Thoemmes, Felix}, title={{The taboo against explicit causal inference in nonexperimental psychology}}, journal={Perspectives on Psychological Science}, year={2020}, volume={15}, number={5}, pages={1243--1255}, doi={10.1177/1745691620921521}}
@article{haber2018causal, author={Haber, Noah and Smith, Emily R. and Moscoe, Ellen and Andrews, Kathryn and Audy, Robin and Bell, Winnie and Brennan, Alana T. and Breskin, Alexander and Kane, Jeremy C. and Karra, Mahesh and McClure, Elizabeth S. and Suarez, Elizabeth A. and {CLAIMS Research Team}}, title={{Causal language and strength of inference in academic and media articles shared in social media (CLAIMS): A systematic review}}, journal={PLOS ONE}, year={2018}, volume={13}, number={5}, eid={e0196346}, doi={10.1371/journal.pone.0196346}}
@article{rohrer2018thinking, author={Rohrer, Julia M.}, title={{Thinking clearly about correlations and causation: Graphical causal models for observational data}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={1}, pages={27--42}, doi={10.1177/2515245917745629}}
R