Статистика
Корреляция ≠ причинность: разбор на примерах
Почему корреляция не означает причинно-следственную связь: разбор на примерах, три объяснения любого совпадения и как отличить реальную причину от случайной.
Коротко
- Корреляция — величины меняются вместе; причинность — одна вызывает другую. Это разные вещи.
- У любой корреляции три объяснения: причина, обратная причина, общий фактор — или чистая случайность.
- Классика: продажи мороженого и утопления растут вместе — но одно не вызывает другое, виновата жара.
- Доказать причину можно экспериментом (A/B-тест), а не наблюдением совпадения.
Летом растут две вещи: продажи мороженого и число утоплений. Данные это подтверждают — чёткая корреляция. Значит ли это, что мороженое топит людей? Очевидно, нет: обе величины поднимает жара. Это самый известный пример того, почему корреляция не равна причинности, — и ошибка, которую совершают ежедневно, включая авторов новостей и разработчиков ИИ.
В чём разница
- Корреляция — две величины меняются согласованно: растёт одна, растёт (или падает) другая.
- Причинность — изменение одной величины вызывает изменение другой.
Корреляция — это наблюдение. Причинность — утверждение о механизме. Первое видно в данных, второе — нет.
Три объяснения любого совпадения
Когда A и B меняются вместе, возможны варианты:
- A вызывает B (реальная причина).
- B вызывает A (обратная причина — перепутали направление).
- Общий фактор C вызывает оба (мороженое и утопления → жара).
- Случайность — совпадение без всякой связи, особенно на малых данных.
Наблюдая только корреляцию, вы не знаете, какой из четырёх вариантов перед вами. А решения зависят от этого целиком: если чинить A, надеясь исправить B, а на деле виноват C, — проблема останется.
Как отличить причину
Единственный надёжный способ — эксперимент. Измените только один фактор, всё остальное держите одинаковым, посмотрите на результат. Это логика A/B-теста: показать двум случайным группам разные версии и сравнить. Случайное разделение уравнивает все прочие факторы, поэтому разница в результате — следствие именно вашего изменения.
Наблюдательные данные причину не доказывают — они лишь подсказывают гипотезу, которую надо проверить экспериментом.
Почему это критично для ИИ
Нейросеть по своей природе — машина корреляций. Она находит, что с чем меняется вместе, и использует это для предсказаний. Если в обучающих данных зонтики всегда появляются перед дождём, модель «решит», что зонтики полезны для прогноза дождя, — и будет права статистически, но абсурдна причинно.
Это безопасно, пока модель только предсказывает. Но как только на её выводах основывают действия («уберём зонтики — не будет дождя»), ложная причинность превращается в дорогую ошибку. Отличать корреляцию от причины — навык, который защищает и аналитика, и того, кто доверяет ИИ-выводам. Родственная ловушка — ошибка выжившего, где причину ищут не там, потому что не видят всей картины.
Вопросы и ответы
Что значит «корреляция не равна причинности»?
То, что две величины меняются вместе, не значит, что одна вызывает другую. Они могут расти вместе из-за общего фактора, случайного совпадения или обратной связи. Классический пример: летом растут и продажи мороженого, и число утоплений — но мороженое не топит людей, обоих «поднимает» жара.
Как доказать, что одно вызывает другое?
Наблюдением — почти никак; нужен эксперимент. В контролируемом опыте (например, A/B-тесте) меняют только один фактор и смотрят на результат, а всё остальное держат одинаковым. Если результат меняется — есть причинная связь. Просто увидеть совпадение в данных недостаточно.
Почему это важно для анализа данных и ИИ?
Потому что модели и аналитики постоянно находят корреляции — и легко принимают их за причины. Нейросеть может «выучить», что зонтики вызывают дождь, если в данных они всегда вместе. Решения на основе ложной причинности приводят к дорогим ошибкам: чините не ту причину — проблема остаётся.
Источники и что почитать
- Примеры (мороженое/утопления) — классические иллюстрации из курса статистики; принцип «причинность требует эксперимента» — основа методологии.