인과 관계없이 언제 상관 관계가 유용한가?

많은 통계 학자들에 대한 애완 동물의 말은 "상관이 원인을 암시하지는 않는다"는 것입니다. 이것은 확실히 사실이지만, 여기서 DOES가 암시하는 것처럼 보이는 것은 상관 관계가 거의 또는 전혀 가치가 없다는 것입니다. 이것이 사실입니까? 두 변수가 서로 관련되어 있다는 것을 아는 것은 쓸모가 없습니까?

나는 그것이 사실이라고 상상할 수 없다. 예측 분석에별로 익숙하지는 않지만 X의 예측 변수 인 경우 인과 관계없이에 따라 Y미래의 값을 예측하는 데 유용 할 것 같습니다 . YX

상관 관계에서 가치를 보는 데 잘못 되었습니까? 그렇지 않은 경우 통계학 자나 데이터 과학자는 어떤 상황에서 인과 관계없이 상관 관계를 사용할 수 있습니까?

상관 (또는 다른 연관 측정)은 인과 관계없이 예측에 유용합니다. 두 변수 사이의 명확하고 안정적인 연관성을 측정한다고 가정하십시오. 이것이 의미하는 바는 한 변수의 수준을 아는 것도 다른 관심 변수에 대한 정보를 제공한다는 것입니다.이 변수는 한 변수를 다른 변수의 함수로 예측하고 가장 중요한 것은 그 예측에 따라 조치를 취하는 데 사용할 수 있습니다 . 조치를 취하려면 자동 추천을하거나 의료 개입을 할 때와 같이 하나 이상의 변수를 변경해야합니다. 물론 두 변수 사이의 직접 또는 간접 관계에 대한 통찰력이 있으면 더 나은 예측을하고 더 효과적으로 행동 할 수 있습니다. 이러한 통찰력에는 공간 및 시간 변수를 포함한 다른 변수가 포함될 수 있습니다.

이미 좋은 점이 많이 있습니다. " X의 예측 인 Y이라면 인과 관계와 상관없이에 Y기반한 미래의 가치를 예측하는 데 도움이 될 것"이라고 주장을 풀자 X. 맞습니다. 원하는 Y값이 알려진 X값과 알려진 안정적인 관계 에서 알 수없는 값 을 예측할 수 있으면 해당 관계의 원인 상태는 관련이 없습니다. 다음을 고려하십시오.

• 원인으로 인한 영향을 예측할 수 있습니다. 이것은 직관적이고 논쟁의 여지가 없습니다.
• 효과에 대한 지식을 통해 원인을 예측할 수도 있습니다. 폐암에 걸린 일부 사람들은 담배를 피우지 않습니다. 결과적으로, 누군가가 폐암에 걸렸다는 것을 알고 있다면 흡연이 인과 관계이고 암이 효과라는 사실에도 불구하고 자신들이 흡연자임을 확신 할 수 있습니다. 마당의 잔디가 젖어 있고 스프링클러가 돌아 가지 않은 경우 비가 원인이고 젖은 풀이 그 효과 일지라도 비가 올 것으로 예상 할 수 있습니다. 기타.
• 동일한 원인의 알려진 효과에서 알 수없는 효과를 예측할 수도 있습니다. 예를 들어, Billy와 Bobby가 동일한 쌍둥이이고 Billy를 만난 적이 없지만 Bobby가 5'10 '(178cm)라는 것을 알고 있지만 Billy도 178cm라고 확신 할 수 있습니다. Billy의 키가 Bobby의 키를 유발하지 않으며 Bobby의 키가 Billy의 키를 유발하지도 않습니다.

상관 관계의 중요성을 훼손하지 않습니다. 상관 관계를 인과 관계로 해석하는 경향이 있습니다.

모유 수유를 완벽한 예로 들자. 어머니들은 모유 수유에 대한 (관찰 연구) 결과를 실제로 모유 수유해야하는지에 대한 제안으로 거의 항상 해석합니다. 모유 수유를하는 아기가 평균적으로 모체 및 부계 령 연령, 사회 경제적 상태 등을 통제 한 후에도 질서있는 나이에 더 건강한 성인 인 경향이 있다는 것은 사실입니다. 식욕 조절의 초기 개발에 부분적으로 역할을합니다. 관계는 매우 복잡하며 관찰 된 차이의 근간이 될 수있는 모든 매개 변수를 쉽게 추측 할 수 있습니다.

많은 연구가 진행 상황에 대한 더 깊은 이해를 보장하기 위해 협회를 찾습니다. 상관 관계는 쓸모가 없으며 인과 관계 아래 몇 단계 일 뿐이며 전문가가 아닌 사람이 잘못 해석하지 못하도록 결과를보고하는 방법을 염두에 두어야합니다.

상관 관계가 유용하다는 것이 옳습니다. 인과 모델이 연관 모델보다 더 좋은 이유는 Pearl이 말했듯이 개입을위한 오라클이기 때문입니다. 다시 말해, 그들은 당신이 가상적으로 추론 할 수있게합니다. 인과 모델은 "X가 발생하게하려면 Y는 어떻게됩니까?"라는 질문에 대답합니다.

그러나 항상 이론적으로 추론 할 필요는 없습니다. 모델이 된 경우 에만 같은 응답 질문에 사용할 것 "나는 X를 관찰하면, 나는 Y에 대해 무엇을 알 수 있습니까?", 다음 협회 모델은 모두 당신이 필요합니다.

상관 관계가 예측에 유용하다는 것이 맞습니다. 또한 연구중인 시스템을 더 잘 이해하는 데 유용합니다.

인과 메커니즘에 대한 지식이 필요한 경우는 대상 분포가 조작 된 경우입니다 (예 : 일부 변수는 특정 값을 취하도록 "강제"되었습니다). 인과 관계 정보를 사용하는 모델은 훨씬 더 나은 성능을 보여야하는 반면 상관 관계에 기반한 모델은 제대로 수행되지 않습니다.

인과 관계를 설명하는 기본 모델이있는 경우 상관 관계는 유용한 도구입니다.

예를 들어 물체에 힘을 가하는 것이 물체의 움직임에 영향을 준다는 것을 알고 있다면 힘과 속도, 힘과 가속도 사이의 상관 관계를 측정 할 수 있습니다. (가속도와의) 더 강한 상관 관계는 그 자체로 설명이 될 것입니다.

관찰 연구에서, 상관 관계는 인과 관계를 확인하거나 거부 할 수있는 적절한 실험 설계를 통해 추가적인 과학적 탐구를위한 근거가 될 수있는 특정 공통 패턴 (모유 수유 및 이후 건강)을 나타낼 수 있습니다 (예 : 모유 수유가 원인 일 수 있음) 특정 문화적 틀에 대한 결과).

따라서 상관 관계는 유용 할 수 있지만 결정적인 경우는 거의 없습니다.

언급했듯이 상관 관계만으로는 주로 예측과 같은 많은 유용성이 있습니다.

$A$$B$$A$$B$

예를 들어, 노인들의 커피 사용량이 건강한 심장 혈관 시스템과 상관 관계가 있음을 보여주는 모든 연구 결과, 무거운 커피 습관을 정당화하려는 사람들은 의심 할 여지없이 동기를 부여합니다. 그러나 커피를 마시는 것은 인과 관계가 아닌 더 건강한 마음과 만 관련이 있다는 사실은 우리가 관심을 갖는 실제 질문에 답할 수있는 방법이 없습니다. 더 많은 커피를 마시거나 줄이면 더 건강해 질까요? 매우 흥미로운 결과를 찾는 것은 매우 실망 스러울 수 있지만 (커피는 더 건강한 마음에 연결되어 있습니다!) 그 정보를 사용하여 결정을 내릴 수는 없습니다 (여전히 더 건강하게 커피를 마셔야하는지 알지 못함). 상관 관계를 인과 관계로 해석하려는 유혹.

당신이 관심있는 모든 것이 도박이 아니라면 (예를 들어, 예측하지만 영향을 미치고 싶지는 않습니다).

상관 관계에는 가치가 있지만 인과 관계를 결론 짓기 위해 더 많은 증거를 찾아야합니다.

몇 년 전, "커피는 암을 유발한다"는 연구가있었습니다. 뉴스에서이 소식을 듣 자마자 아내에게 "거짓 상관"이라고 말했습니다. 내가 맞다는 것이 밝혀졌습니다. 하루에 2-3 컵의 커피를 마시는 사람은 커피를 마시는 사람보다 흡연률이 더 높았습니다. 데이터 수집기가이를 파악한 후 결과를 취소했습니다.

주택 붐과 파열 이전의 또 다른 흥미로운 연구는 주택 담보 대출 처리와 관련하여 인종 차별주의를 보여주었습니다. 그 주장은 흑인 지원자들이 백인보다 더 높은 비율로 거부되었다는 것이었다. 그러나 또 다른 연구는 기본 금리를 조사했습니다. 흑인 주택 소유자는 백인과 같은 비율로 채무 불이행을하고있었습니다. 검은 색 응용 프로그램이 더 높은 표준을 유지했다면 기본 속도는 실제로 훨씬 낮습니다. 참고 :이 일화는 저자 Thomas Sowell과 그의 저서 The Housing Boom and Bust 에서 공유했습니다.

데이터 마이닝은 상관 관계가 높지만 관련이없는 이벤트에 대해 두 개의 데이터 세트를 쉽게 생성 할 수 있습니다. 결국, 매우 비판적인 시각으로 당신에게 보내진 연구를 보는 것이 가장 좋습니다. 허위 상관 관계를 찾는 것이 항상 쉬운 것은 아니며, 획득 한 인재입니다.

상관 관계는 관찰 가능한 현상입니다. 측정 할 수 있습니다. 이러한 측정에 대해 조치를 취할 수 있습니다. 자체적으로 유용 할 수 있습니다.

그러나 당신이 가진 모든 것이 상관 관계라면, 당신이 한 변화가 실제로 영향 을 줄 것이라는 보장은 없습니다 (iPhone의 해외 노예 제도와의 상승을 묶는 유명한 그래프 참조). 그것은 단지 거기에 상관 관계가 있음을 보여주고, 당신이 환경을 조정하면 (동작), 그 상관 관계는 여전히 존재할 수 있습니다.

그러나 이것은 매우 미묘한 접근 방식입니다. 많은 시나리오에서 우리는 인과 관계라는 덜 미묘한 도구를 원합니다. 인과 관계는 어떤 방식 으로든 환경을 조정하여 환경을 조정 하더라도 상관 관계가 여전히있을 것으로 예상 해야한다는 주장과 결합 된 상관 관계입니다 . 이를 통해 유용한 결과를 식별하기 위해 20 개 또는 50 개의 인과 관계 이벤트를 연속으로 연결하는 등 장기 계획이 가능합니다. 20 또는 50의 상관 관계로 그렇게하면 종종 매우 모호하고 어두운 결과가 남습니다.

이들이 과거에 어떻게 유용했는지에 대한 예로서 서양 과학과 전통 중국 의학 (TCM)을 고려하십시오. 서양 과학은 주로 "이론 개발, 이론을 입증 할 수있는 테스트 분리, 테스트 실행 및 결과 문서화"에 중점을 둡니다. 이것은 인과 관계와 밀접한 관련이있는 "이론 개발"로 시작합니다. TCM은 "유용한 결과를 제공하고, 테스트를 실행하고, 답변에서 상관 관계를 식별 할 수있는 테스트를 고안합니다"로 시작하여이 문제를 해결했습니다. 상관 관계에 더 중점을 둡니다.

오늘날 서양인들은 거의 전적으로 인과 관계로 생각하는 경향이 있으므로 상관 관계 연구의 가치는 스파이하기가 더 어렵습니다. 그러나 우리 삶의 모든 구석에 숨어 있습니다. 서양 과학에서도 상관 관계는 어떤 이론을 탐색 할 가치가 있는지 식별하는 데 중요한 도구입니다.