a:

En korrelation, positiv eller negativ, indebærer aldrig årsagssammenhæng. I statistikken bruges begrebet korrelation til at beskrive forholdet mellem to eller flere variabler. Korrelationer er positive, når en stigning i en variables frekvens er ledsaget af en stigning i frekvensen af ​​den anden variabel. Negative korrelationer ville være omvendt af dette: En variables fald i frekvens ledsages af den anden variables fald i frekvens. Korrelation kan være et værdifuldt værktøj til statistisk analyse, men det kan ikke indebære årsagssammenhæng på grund af hvilke statistikere kalder forvirrende variabler.

Confounding variabler påvirker forholdet mellem to eller flere andre variabler på måder, der ofte er uopdagelige eller umådelige. Vogteren citerer korrelationen mellem rygning og lungekræft som et godt eksempel på, hvordan konfronterende variabler kan forvirre processen med korrelativ analyse. I dette tilfælde var der en stærkt tilsyneladende positiv sammenhæng mellem stigningen i rygning og en stigning i tilfælde af lungekræft. Der var imidlertid ingen måde for analytikere at afgjort bestemme, at rygning alene var ansvarlig for stigningen på grund af andre faktorer som implementering af bedre diagnostiske procedurer og stigning i industriel og trafikrelateret forurening. Fordi alle disse variabler var vigtige for at bestemme årsagen bag stigningen i lungecancer tilfælde, skyggede de forholdet mellem rygning og lungekræft og gjorde det meget vanskeligere at finde ud af det nøjagtige forhold.

Dette er ikke at sige, at korrelationer ikke kan give analytikere en bedre forståelse af, hvordan to variable påvirker hinanden, men disse typer analyser kan ikke give absolut sikkerhed. I tilfælde af rygning og lungekræft overtog det over 40.000 læger og flere års intensiv undersøgelse for i høj grad at sikre det egentlige forhold mellem de to variabler. Alt dette siges, jo stærkere korrelationen mellem to variabler, positivt eller negativt, desto mere sandsynligt er det, at der i det mindste er en vis årsag til årsagssammenhæng. Hvis du analyserer korrelation til økonomiske formål, skal du forsøge at undersøge, hvordan professionelle finansielle institutioner vil gøre det.