¿Cuándo puede servir sin causalidad correlación?

Question

Una mascota decir de muchos de los estadísticos es "Correlación no implica causalidad." Esto es cierto, pero lo que parece implícita aquí es que la correlación tiene poco o ningún valor. ¿Es esto cierto? Es inútil tener conocimiento de que dos variables están correlacionadas?

No me puedo imaginar que es el caso. Yo no soy horriblemente familiarizado con el análisis predictivo, pero parece que si X es un predictor de la Y, sería útil en la predicción de los valores futuros de Y basado en X, independientemente de la causalidad.

Estoy incorrecta en ver el valor de la correlación? Y si no, ¿en qué situaciones puede un estadístico o científico de datos uso de la correlación sin causalidad?

Answer 1

Correlación (o cualquier otra medida de asociación) es útil para la predicción, independientemente de la causalidad. Supongamos que medimos de una manera clara, estable asociación entre dos variables. Lo que esto significa es que el conocimiento del nivel de una variable también proporciona información acerca de la otra variable de interés, que puede utilizar para ayudar a predecir una variable en función de la otra y, lo que es más importante, tomar alguna acción en función de la predicción. Tomar acción implica el cambio de una o más variables, tales como cuando se hace un sistema automatizado de recomendación o emplean algún tipo de intervención médica. Por supuesto, usted podría hacer mejores predicciones y actuar de manera más eficaz si usted tenía una visión más clara, directa o indirecta, de las relaciones entre dos variables. Esta idea puede involucrar a otras variables, incluyendo espacial y temporal.

Answer 2

Hay un montón de buenos puntos de aquí ya. Permítanme explicarles su afirmación de que "parece que si X es un predictor de la Y, sería útil en la predicción de los valores futuros de Y basado en X, independientemente de la causalidad" un poco. Estás en lo correcto: Si todo lo que quiero es ser capaz de predecir un desconocido Y valor de una conocida X valor y un conocido, relación estable, la causal de estado de la relación es irrelevante. Tener en cuenta que:

• Se puede predecir un efecto de una causa. Esto es intuitivo y claro.
• También puede predecir una causa a partir del conocimiento de un efecto. Algunas, pero muy pocas, las personas que desarrollan cáncer de pulmón nunca ha fumado. Como resultado, si sabes que alguien tiene cáncer de pulmón, se puede predecir con confianza que son / eran un fumador, a pesar del hecho de que el tabaco es causal y el cáncer es el efecto. Si la hierba en el patio mojado, y el aspersor no ha estado funcionando, se puede predecir que ha llovido, aunque la lluvia es la causa y la hierba mojada es sólo el efecto. Etc.
• También puede predecir un efecto desconocido de un conocido efecto de la misma causa. Por ejemplo, si Billy y Bobby son gemelos idénticos, y nunca he conocido a Billy, pero sé que Bobby es de 5' 10' (178 cm), puedo predecir Billy también es 178 cm con buena confianza, a pesar del hecho de que ninguno de Billy altura causas de Bobby altura ni de Bobby altura de la causa de Billy altura.

Answer 3

Ellos no son poopooing la importancia de la correlación. Es sólo que la tendencia a interpretar la correlación como la relación de causalidad.

Tomar la lactancia materna como el ejemplo perfecto. Las madres casi siempre interpretar (estudios observacionales') conclusiones acerca de la lactancia materna como una sugerencia en cuanto a si deben o no en realidad amamantar. Es cierto que, en promedio, los bebés que son amamantados tienden a ser adultos saludables en orden de edad, incluso después de controlar por las longitudinal materno y paterno, la edad, el estatus socioeconómico, etc. Esto no implica que la lactancia materna es el único responsable de la diferencia, aunque en parte puede jugar un papel en el desarrollo temprano de la regulación del apetito. La relación es muy compleja y es fácilmente uno puede especular en un anfitrión entero de la mediación de factores que podrían ser la base de las diferencias observadas.

Un montón de estudios de mirar a las asociaciones para garantizar una comprensión más profunda de lo que está pasando. Correlación no es inútil, sólo está varios pasos por debajo de la causalidad y uno debe ser consciente de cómo informar los resultados a evitar interpretaciones erróneas de los que no son expertos.

Answer 4

Tienes razón que la correlación es útil. La razón de que los modelos causales son mejores que los de asociación de los modelos es que - como la Perla dice: - ellos son los oráculos de las intervenciones. En otras palabras, que permiten razonar hipotéticamente. Un modelo causal de las respuestas a la pregunta "si tuviera que hacer X suceder, ¿qué pasaría con Y?"

Pero no siempre es necesario razonar hipotéticamente. Si su modelo es sólo va a ser utilizado para responder a preguntas como "si observo X, ¿qué sé yo acerca de Y?", a continuación, un modelo asociativo es todo que usted necesita.

Answer 5

La correlación es una herramienta útil si usted tiene un modelo subyacente que explica la causalidad.

Por ejemplo, si sabes que al aplicar una fuerza a un objeto influye en su movimiento, se puede medir la correlación entre la fuerza y la velocidad, la fuerza y la aceleración. La mayor correlación (con la aceleración) será explicativo por sí mismo.

En estudios observacionales, la correlación puede revelar ciertos patrones comunes (como dice la lactancia y más tarde de la salud), lo cual podría ser un terreno para ampliar la exploración científica a través de el diseño experimental adecuado que puede confirmar o rechazar la causalidad (por ejemplo, tal vez en lugar de que la lactancia materna es la causa podría ser la consecuencia de un determinado marco cultural).

Así, la correlación puede ser útil, pero en raras ocasiones puede ser concluyente.