Słownik metodologiczny · Zależności i efekty

Korelacja pozorna

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Korelacja pozorna

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Korelacja pozorna?

Korelacja pozorna to obserwowany związek powstały przez wspólną przyczynę, trend czasowy, selekcję lub inny mechanizm, a nie bezpośrednią relację.

Zastosowanie, warunki i dobre praktyki

Korelacja pozorna powstaje, gdy obserwowany związek ma źródło w trzeciej zmiennej, wspólnym trendzie, selekcji próby albo sposobie pomiaru. Klasycznym przykładem są dwie wielkości rosnące jednocześnie z czasem, choć nie oddziałują bezpośrednio na siebie. Rozpoznanie problemu wymaga teorii, wykresów, danych czasowych lub projektu porównawczego; samo dodanie wielu zmiennych kontrolnych nie gwarantuje rozwiązania.

Najważniejsze zastosowanie: Rozważaj zawsze przy danych obserwacyjnych i projektuj kontrolę opartą na grafie przyczynowym.

Jak poprawnie stosować i interpretować hasło „Korelacja pozorna”?

W odniesieniu do pojęcia „Korelacja pozorna” kluczowe jest określenie typu zależności, który ma mierzyć współczynnik: liniowej, monotonicznej, rangowej albo warunkowej po kontroli innych zmiennych. W analizie dotyczącej hasła „Korelacja pozorna” przed obliczeniem wyniku należy obejrzeć wykres i sprawdzić zakres pomiaru, skupienia danych oraz obserwacje wpływowe. Dla interpretacji hasła „Korelacja pozorna” identyczna wartość współczynnika może opisywać zupełnie inne układy punktów, dlatego liczba nie zastępuje obrazu relacji.

Wiarygodność „Korelacja pozorna” zależy od jakości obu pomiarów, doboru próby i zgodności użytego współczynnika z kształtem relacji. W odniesieniu do hasła „Korelacja pozorna” ograniczenie zakresu zmiennej może osłabić wynik, a mieszanie podgrup może stworzyć albo odwrócić zależność. Przy ocenie hasła „Korelacja pozorna”, gdy wynik ma służyć wnioskowaniu, warto podać przedział ufności i przeprowadzić analizę wrażliwości na punkty wpływowe.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Korelacja pozorna” należy nazwać współczynnik, obie zmienne, liczebność oraz kierunek i siłę zależności. W analizie dotyczącej hasła „Korelacja pozorna” wartość punktową uzupełnia się przedziałem ufności i wartością p, lecz wniosek merytoryczny powinien odnosić się do skali zmiennych oraz wykresu, a nie do samej etykiety „słaba” lub „silna”.

Zakres raportowania dla hasła „Korelacja pozorna”: Opisz potencjalne zmienne zakłócające i analizy wrażliwości.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Sprzedaż lodów i utonięcia rosną latem, bo obie zmienne zależą od temperatury.

Jak ją zinterpretować: Widoczny związek może zniknąć lub zmienić znak po uwzględnieniu wspólnej przyczyny, trendu lub selekcji. Nie wystarczy mechanicznie kontrolować wielu zmiennych — potrzebna jest teoria określająca, które z nich są zakłóceniami.

Najczęstsza pułapka i granica interpretacji

Dodawanie wszystkich dostępnych kontroli bez teorii może wprowadzić nowe obciążenie.

Interpretacja „Korelacja pozorna” nie pozwala sama w sobie mówić o wpływie jednej zmiennej na drugą. W odniesieniu do hasła „Korelacja pozorna” zależność może wynikać ze wspólnej przyczyny, selekcji próby, trendu czasowego albo sposobu pomiaru.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2013).

Powiązane hasła

KorelacjaKorelacja cząstkowaKorelacja PearsonaKorelacja semicząstkowaKorelacja SpearmanaEfekt główny

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →Poradnik

Pytania badawcze i hipotezy: jak przejść od teorii do analizy

Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  2. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  3. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  4. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  5. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R