A “hamis kapcsolat” kifejezést gyakran használják a statisztikákban és különösen a kísérleti kutatási technikákban, amelyek mindkét esetben megpróbálják megérteni és megjósolni a közvetlen okozati összefüggéseket (X → Y). Nem okozati összefüggést hamisan hozhat létre egy olyan előzmény, amely mindkettőt (W → X és W → Y) okozza. A közvetítő változók, (X → W → Y), ha nem észlelik őket, a teljes hatást becsülik meg, nem pedig a közvetlen hatást, anélkül, hogy kiigazítanák az M közvetítő változóra. Emiatt a kísérletileg azonosított összefüggések nem képviselnek oksági összefüggéseket, hacsak a hamis kapcsolatok nem zárhatók ki.
ExperimentsEdit
A kísérletek során a hamis kapcsolatokat gyakran más tényezők, köztük az elméletileg lehetséges zavaró tényezők ellenőrzésével lehet azonosítani. Vegyünk például egy kutatót, aki megpróbálja meghatározni, hogy egy új gyógyszer megöli-e a baktériumokat; amikor a kutató baktériumkultúrára alkalmazza a gyógyszert, a baktériumok elpusztulnak. De egy zavaró változó jelenlétének kizárása érdekében egy másik tenyészetet olyan körülményeknek vetnek alá, amelyek a lehető legközelebb állnak az első kultúrával szembesülőkhöz, de a második tenyészet nem esik alá a gyógyszernek. Ha láthatatlan zavaró tényező van ezekben az állapotokban, ez a kontroll kultúra is elpusztul, így az első tenyészet eredményeiből nem lehet levonni a gyógyszer hatékonyságát. Másrészt, ha a kontroll kultúra nem hal meg, akkor a kutató nem utasíthatja el a hipotézist, miszerint a gyógyszer hatékony.
Nem kísérleti statisztikai elemzésekEdit
Olyan tudományterületek, amelyek adatai többnyire a nem kísérleti jellegűek, mint például a közgazdaságtan, általában megfigyelési adatokat alkalmaznak az ok-okozati összefüggések megállapításához. A közgazdaságtanban használt statisztikai technikák összességét ökonometria. Az ökonometria fő statisztikai módszere a többváltozós regresszióanalízis. Jellemzően lineáris összefüggés, például
y = a 0 + a 1 x 1 + a 2 x 2 + ⋯ + akxk + e {\ displaystyle y = a_ {0} + a_ {1} x_ {1} + a_ Az {2} x_ {2} + \ cdots + a_ {k} x_ {k} + e}
hipotézist feltételezzük, amelyben y {\ displaystyle y} a függő változó (feltételezhetően az okozott változó), xj {\ displaystyle x_ {j}} esetén j = 1, …, k a j-edik független változó (feltételezetten oksági változónak számít), az e {\ displaystyle e} pedig a hiba kifejezés (amely tartalmazza az összes hatás együttesét) egyéb ok-okozati változók, amelyeket nem kell korrelálni a benne foglalt független változókkal). Ha okkal feltételezhetjük, hogy az x j {\ displaystyle x_ {j}} egyiket sem y okozza, akkor az a j {\ displaystyle a_ {j}} együtthatókra vonatkozó becsléseket kapunk. Ha elvetjük az aj = 0 {\ displaystyle a_ {j} = 0} nullhipotézist, akkor az alternatív hipotézist, miszerint aj ≠ 0 {\ displaystyle a_ {j} \ neq 0} és ezzel egyenértékűen azt, hogy xj {\ displaystyle x_ {j }} okok miatt az y nem utasítható el. Másrészt, ha nem lehet elvetni azt a nullhipotézist, hogy az aj = 0 {\ displaystyle a_ {j} = 0}, akkor egyenértékűen nem utasítható el az a feltételezés, hogy az xj {\ displaystyle x_ {j}} y-re nem okoz ok-okozati hatást . Az ok-okozati viszony fogalma a járulékos kauzalitás egyikének felel meg: Ha az aj ≠ 0 {\ displaystyle a_ {j} \ neq 0} valódi érték, akkor az xj {\ displaystyle x_ {j}} változása y változást eredményez. kivéve, ha más ok-okozati változó (k), akár a regresszióba, akár a hiba kifejezésbe beletartozik, úgy nem változik, hogy pontosan ellensúlyozza annak hatását; így az x j {\ displaystyle x_ {j}} változása nem elegendő az y megváltoztatásához. Hasonlóképpen, az xj {\ displaystyle x_ {j}} megváltoztatása nem szükséges az y megváltoztatásához, mert y változását a hiba kifejezésében rejlő valami (vagy a modellben szereplő más ok-okozati magyarázó változó) okozhatja.
A regresszióanalízis vezérli a többi releváns változót úgy, hogy regresszorként veszi fel őket (magyarázó változók). Ez segít elkerülni az ok-okozati összefüggés téves következtetését egy harmadik, mögöttes változó jelenléte miatt, amely befolyásolja mind a potenciálisan oksági változót, mind a potenciálisan okozott változót: a potenciálisan okozott változóra gyakorolt hatását rögzíti, ha közvetlenül belefoglalja a regresszióba, tehát ez a hatás nem az érdeklődés potenciálisan kauzális változójának hamis hatásaként jelenik meg. Ezenkívül a többváltozós regresszió használata segít elkerülni annak téves következtetését, hogy mondjuk x1 (pl. X1 → x2 → y) közvetett hatása közvetlen hatás (x1 → y).
Csakúgy, mint egy a kísérletezőnek ügyelnie kell arra, hogy olyan kísérleti tervet alkalmazzon, amely minden zavaró tényezőt vezérel, ezért a többszörös regresszió felhasználójának is ügyelnie kell arra, hogy minden zavaró tényezőt ellenőrizzen úgy, hogy azokat a regresszorok közé is felveszi.Ha egy zavaró tényező kihagyásra kerül a regresszióból, akkor annak hatása alapértelmezés szerint a hibatagba kerül, és ha az eredményül kapott hibatag összefüggésben van a benne foglalt regresszorok egyével (vagy többével), akkor a becsült regresszió lehet torz vagy következetlen ( lásd a kihagyott változó torzítást).
A regresszióanalízis mellett az adatok megvizsgálhatók annak megállapítására, hogy fennáll-e a Granger-okozati összefüggés. A Granger kauzalitás jelenléte azt is jelzi, hogy x megelőzi y-t, és hogy x egyedi információkat tartalmaz y-ról.