Кореляція і причинність: чому зв’язок між змінними не доводить, що одна спричиняє іншу
Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика
Кореляція показує, що дві змінні змінюються разом певним систематичним способом. Причинність означає значно сильніше твердження: зміна однієї змінної справді змінює іншу за визначених умов. Тому навіть дуже сильний, статистично значущий і стабільно відтворюваний зв’язок сам по собі не встановлює причинно-наслідкового механізму. Це одне з базових правил психологічного дослідження, статистики та доказової інтерпретації.
Сучасна методологія йде далі за шкільну формулу «кореляція не означає причинність». Вона пояснює, чому саме спостережуваний зв’язок може виникнути без прямої причинної дії, які припущення потрібні для каузального висновку, коли експеримент справді допомагає і як коректно працювати з причинними питаннями у спостережувальних даних. У психології це особливо важливо, бо дослідник часто працює з самооцінками, латентними конструктами, повторними вимірюваннями, неекспериментальними вибірками та змінними, які взаємно впливають одна на одну.
Коротка відповідь: кореляція описує зв’язок, причинність описує ефект
Якщо X корелює з Y, ми знаємо, що значення X містять інформацію про те, як у вибірці поводиться Y. Ми ще не знаємо, що сталося б із Y, якби ми цілеспрямовано змінили X. Саме це друге питання є каузальним. У формальній причинній інференції воно зазвичай формулюється через порівняння можливих результатів за різних втручань або умов. Hernán і Robins у Causal Inference: What If показують, що причинний ефект потребує чітко визначеного причинного питання, порівнюваних альтернатив і припущень, які пов’язують спостережувані дані з тим, що сталося б за іншої умови.
Тому фраза «X пов’язане з Y» є описом асоціації. Фраза «X спричиняє Y» уже стверджує, що зміна X змінює Y. Між цими двома реченнями лежить дизайн дослідження, каузальна модель, якість вимірювання, контроль упереджень і набір припущень, а не просто ще один коефіцієнт.
Що таке кореляція
Кореляція — це статистична характеристика спільної варіації двох змінних. Вона може відображати напрям і силу певного типу зв’язку, але конкретне значення залежить від коефіцієнта. Кореляція Пірсона описує лінійний зв’язок між числовими змінними; ранговий коефіцієнт кореляції Спірмена оцінює монотонний зв’язок через ранги. Тому слово «кореляція» не слід автоматично зводити до одного універсального показника.
Додатна кореляція означає, що більші значення однієї змінної зазвичай поєднуються з більшими значеннями іншої; від’ємна — що більші значення однієї зазвичай поєднуються з меншими значеннями іншої. Кореляція близько нуля для Пірсона означає відсутність вираженого лінійного зв’язку, але не гарантує відсутності нелінійної залежності, підгрупових ефектів або причинного впливу, який у середньому взаємно компенсується.
Що таке причинність
Причинність стосується зміни результату внаслідок зміни причини. У сучасній статистичній традиції корисно питати не «чи є X причиною взагалі?», а «який ефект конкретно визначеної зміни X порівняно з конкретною альтернативою на Y у певній популяції та часовому горизонті?». Така постановка прибирає туман навколо слова «вплив» і змушує визначити, що саме порівнюється.
Hernán наголошував, що уникання слова «причинний» не робить неекспериментальний аналіз методологічно безпечнішим. Якщо питання насправді каузальне, його краще назвати прямо і вказати припущення, за яких дані можуть на нього відповісти. У психології Grosz, Rohrer і Thoemmes розвинули ту саму позицію: неявні причинні висновки з кореляційних досліджень небезпечніші за явне формулювання каузальної мети, бо приховують те, що потрібно перевірити.
Чому кореляція може виникнути без прямої причинності
Один і той самий статистичний зв’язок між X та Y сумісний із різними причинними структурами. Дані про пару змінних часто не дозволяють самі по собі вибрати між ними. Саме тому кореляційний коефіцієнт не містить у собі стрілки причинності.
1. X може спричиняти Y
Це варіант, який люди часто уявляють першим: X → Y. Наприклад, якщо певне втручання справді змінює поведінковий результат, між отриманням втручання та результатом може з’явитися асоціація. Проте сама наявність цієї асоціації ще не доводить, що саме така стрілка її породила.
2. Y може спричиняти X: зворотна причинність
Зв’язок може мати протилежний напрям: Y → X. У психології це поширена проблема, бо багато станів впливають на поведінку, яку потім помилково оголошують причиною стану. Якщо тривожність пов’язана з певною поведінкою, потрібно розглянути не лише гіпотезу «поведінка підвищує тривожність», а й можливість «тривожність змінює поведінку» та двонапрямний процес.
3. Третя змінна може впливати і на X, і на Y
Структура Z → X і Z → Y створює асоціацію між X та Y навіть без прямого X → Y. Z у такому контексті може бути конфаундером — спільною причиною експозиції та результату. Класичне правило «кореляція не означає причинності» значною мірою захищає саме від цієї помилки.
4. Відбір у вибірку може створити зв’язок
Асоціація може виникнути через те, кого включили в аналіз або за якою змінною обмежили вибірку. Якщо X і Y обидва впливають на S, а аналіз проводять лише серед людей із певним значенням S, умовлення на цей спільний наслідок може відкрити штучний зв’язок між X і Y. У каузальних графах такий S називають колайдером.
5. Зв’язок може бути наслідком випадковості, множинного пошуку або структури даних
У скінченній вибірці ненульові кореляції виникають і через випадкову варіативність. Якщо перевіряти сотні чи тисячі пар змінних і повідомляти лише найцікавіші, частина «знахідок» буде випадковою. Тренди в часі, групова структура, повторні спостереження одних і тих самих людей, пропущені дані та неврахована кластеризація також можуть створювати переконливі на вигляд асоціації.
Конфаундинг: коли спільна причина маскується під причинний ефект
Конфаундинг виникає, коли фактор пов’язаний із тим, хто або що отримує певну експозицію, і водночас впливає на результат. У простій схемі Z → X та Z → Y спостережуваний зв’язок X–Y змішує можливий ефект X із впливом Z. У рандомізованому експерименті випадковий розподіл має на меті розірвати систематичний зв’язок між прогнозувальними фоновими факторами та призначенням умови. Cochrane Handbook саме тому розглядає належно проведену рандомізацію як захист від конфаундингу на етапі призначення.
У спостережувальному дослідженні такого механізму немає. Дослідник мусить обґрунтувати, які змінні є спільними причинами, чи вони виміряні достатньо добре і чи статистичне коригування справді блокує потрібні шляхи. Неможливо просто додати до регресії список доступних демографічних змінних і вважати конфаундинг усуненим.
Колайдер: чому контроль змінної іноді створює упередження
Rohrer показує на психологічно зрозумілих прикладах, що не кожну «третю змінну» треба контролювати. Якщо X → C ← Y, змінна C є спільним наслідком X і Y. Без умовлення шлях між X і Y через C закритий; після відбору або статистичного контролю за C він може відкритися і породити спотворену асоціацію. Це називають collider bias.
Практичний висновок важливий: фраза «ми проконтролювали більше змінних» не є автоматичним знаком кращого аналізу. Якість коригування визначається причинною роллю змінних, а не кількістю ковариат.
Медіатор: змінна на причинному шляху
Якщо X → M → Y, M є медіатором: через нього проходить частина причинного ефекту X на Y. Якщо питання стосується загального ефекту X, бездумний контроль M може прибрати саме ту частину ефекту, яку дослідник хотів оцінити. Якщо ж питання стосується прямого ефекту, потрібне інше каузальне визначення і додаткові припущення. Тому «додамо всі доступні змінні в модель» не є універсальною стратегією.
Чому «ми статистично проконтролювали все важливе» — дуже сильне твердження
Регресійне коригування працює лише з тим, що внесено до моделі й виміряно у придатний спосіб. Невиміряний конфаундер залишається невиміряним. Погано виміряний конфаундер може залишити залишкове змішування. Неправильна функціональна форма, взаємодії, селекція та пропуски також можуть порушити інтерпретацію.
Для психології особливо суттєва похибка вимірювання латентних конструктів. Westfall і Yarkoni показали, що звичайна практика «контролювати» психологічні конструкти через недосконалі вимірювання може серйозно спотворювати висновки. Це не означає, що регресія непридатна. Це означає, що причинний сенс коефіцієнта не випливає з самого факту включення ковариат.
Регресійний коефіцієнт не стає причинним лише через слово «вплив»
У багатофакторній моделі коефіцієнт при X описує умовну статистичну залежність за заданої специфікації моделі. Щоб читати його як причинний ефект, потрібно додатково обґрунтувати каузальне питання, набір коригування, відсутність критичного невиміряного конфаундингу, коректність вимірювань, релевантну часову структуру та інші ідентифікаційні припущення. Формула регресії сама цього не забезпечує.
Часова послідовність потрібна, але її недостатньо
Причина має передувати наслідку в релевантному часовому сенсі, тому знання послідовності подій важливе. Але «X було раніше за Y» не означає «X спричинило Y». Третя змінна могла спричинити X, а пізніше Y; обидві могли бути етапами спільного процесу; вимірювання могло пропустити ранні стадії Y; результат міг формувати попередню поведінку ще до того, як його зафіксували.
Лонгітюдне дослідження сильніше за одномоментне для часу, але не автоматично для причинності
Повторні вимірювання допомагають встановлювати часову послідовність, вивчати зміни та відокремлювати міжособистісні від внутрішньоособистісних процесів. Водночас лонгітюдний дизайн не усуває конфаундинг, селекцію, похибку вимірювання, взаємний вплив і часово-змінні спільні причини. Навіть якщо X у хвилі 1 передбачає Y у хвилі 2 після коригування Y у хвилі 1, причинний висновок усе одно залежить від моделі та припущень.
Експеримент і рандомізація: чому вони так важливі
Коли етичне й практичне втручання можливе, рандомізований експеримент дає особливо сильну основу для причинного висновку. Випадкове призначення умови робить групи, у середньому, порівнюваними щодо доекспериментальних причин результату. Завдяки цьому відмінність результатів між умовами можна пов’язувати з призначеним втручанням набагато переконливіше, ніж просту природну відмінність між людьми.
Рандомізація не робить дослідження безпомилковим
Навіть RCT може мати проблеми: порушення приховування розподілу, відхилення від призначеного втручання, пропущені результати, вибіркове повідомлення, слабкі вимірювання, недостатню реалізацію маніпуляції або обмежену переносимість на інші популяції. Cochrane RoB 2 оцінює ризик упередження в рандомізованих випробуваннях саме тому, що слово «рандомізоване» ще не гарантує бездоганного причинного оцінювання.
Не всі причинні питання можна або треба рандомізувати
У психології неможливо етично призначити людині травматичний досвід, бідність, дискримінацію, розлучення батьків або багато інших експозицій. Деякі втручання технічно неможливі або не мають однозначного операційного визначення. Тому причинна наука не зводиться до RCT: вона використовує природні експерименти, квазіекспериментальні дизайни, інструментальні змінні, регресійні розриви, панельні та часові дані, причинні графи й інші підходи — кожен зі своїми припущеннями.
Чи можна робити причинні висновки зі спостережувальних даних
Так, але не за схемою «ми знайшли кореляцію, отже це причина». Сучасна причинна інференція дозволяє ставити каузальні питання до спостережувальних даних, якщо дослідник явно визначає цільовий ефект, причинну структуру, дизайн та ідентифікаційні припущення. Grosz, Rohrer і Thoemmes прямо закликають психологів не маскувати каузальні питання евфемізмами, а робити припущення видимими.
Cochrane також не ставить знак рівності між «нерандомізоване» і «безкорисне». Нерандомізовані дослідження різняться за здатністю оцінювати причинний ефект, а їхні упередження залежать від конкретних ознак дизайну. Проте ризик конфаундингу та інших упереджень зазвичай вищий, тому інтерпретація потребує більшої дисципліни.
DAG: причинний граф як інструмент мислення
Спрямований ациклічний граф (directed acyclic graph, DAG) — це схема, де вузли позначають змінні, а стрілки — припущені причинні зв’язки. DAG не «відкриває істину» з даних автоматично. Його сила в іншому: він примушує дослідника до аналізу сформулювати, що вважається причиною чого, які шляхи створюють конфаундинг, які змінні є медіаторами або колайдерами і який набір коригування відповідає конкретному причинному питанню.
Rohrer показує, як DAG допомагають уникати двох протилежних помилок: пропуску справжнього конфаундера та контролю змінної, яку контролювати не слід. Граф є формалізацією предметного знання й припущень, а не заміною предметного знання.
Target trial: спочатку сформулюйте експеримент, який хотіли б провести
Один із сучасних способів дисциплінувати причинний аналіз спостережувальних даних — уявити цільове рандомізоване випробування, яке відповідало б на питання, а потім спробувати відтворити його протокол у доступних даних. Hernán і Dahabreh описують target trial framework як двокрокову логіку: спочатку специфікувати гіпотетичне випробування, потім емулювати його спостережувальними даними.
Такий підхід змушує визначити критерії включення, порівнювані стратегії, момент початку спостереження, результат, період подальшого спостереження, причинний контраст і план аналізу. Він допомагає запобігати частині дизайн-зумовлених упереджень, але не чарівно усуває обмеження самих даних, зокрема невиміряний конфаундинг.
Вимірювання має значення для причинності
У психології X і Y часто не є фізичними величинами, які вимірюються майже безпомилково. Це можуть бути депресивні симптоми, тривожність, самоконтроль, самотність, стрес, упередження, задоволеність життям або інші конструкти, доступні через індикатори. Тому причинний аналіз залежить не лише від дизайну, а й від того, що саме вимірює шкала та з якою точністю.
Standards for Educational and Psychological Testing розглядають валідність інтерпретації балів, надійність, похибку та справедливість як частини аргументації щодо використання вимірювання. У контексті психометрії це означає: якщо змінна виміряна слабко або нееквівалентно між групами, каузальна модель може бути математично складною, але інтерпретувати вона буде недосконалий показник.
Похибка вимірювання може послаблювати, спотворювати або залишати конфаундинг
Класична похибка часто послаблює спостережувані зв’язки, але в багатозмінних моделях наслідки складніші. Якщо конфаундер виміряно з помилкою, коригування може бути неповним. Якщо однаковий метод вимірювання створює спільну методичну варіацію для X та Y, частина асоціації може відображати спосіб збору даних. Тому «ми включили змінну» і «ми адекватно врахували відповідний конструкт» — різні твердження.
Статистична значущість не перетворює кореляцію на причинність
Малий p-value відповідає на питання про сумісність даних із певною статистичною моделлю за її припущень; він не повідомляє ймовірність того, що причинна гіпотеза істинна. заява American Statistical Association про p-values прямо застерігає, що p-value не вимірює ймовірність істинності досліджуваної гіпотези і що наукові висновки не слід будувати лише на проходженні порога.
Тому «r = 0,18, p < 0,001» означає, що в межах конкретного аналізу слабка асоціація оцінена з достатньою статистичною точністю, щоб бути несумісною з простою нульовою моделлю за заданого порога. Воно не означає «X доведено спричиняє Y». Велика вибірка може зробити дуже малу асоціацію статистично значущою, не додаючи жодної причинної ідентифікації.
Розмір ефекту також не визначає причинний напрям
Сильна кореляція може бути повністю некаузальною, якщо її створює спільна причина або відбір. Слабкий маргінальний зв’язок може приховувати суттєві протилежні ефекти в підгрупах, нелінійність або взаємодію. Розмір асоціації важливий для опису даних, але причинний статус залежить від дизайну та припущень.
Передбачення і причинне пояснення — різні задачі
Модель може чудово передбачати Y з X, не встановлюючи, що втручання в X змінить Y. Прогноз використовує стабільну інформацію про майбутній результат; причинне питання питає, що станеться після зміни певного фактора. Shmueli детально розрізняє predictive modeling і explanatory/causal modeling та показує, що оптимальні рішення для цих задач можуть відрізнятися.
Це принципово для прикладної психології. Якщо алгоритм за мовними ознаками добре прогнозує ризик певного результату, це не означає, що зміна цих мовних ознак зменшить ризик. Предиктор може бути маркером процесу, наслідком процесу або проксі для третього фактора.
Метааналіз не робить кореляційні дослідження причинними
Метааналіз може точніше підсумувати асоціації з багатьох досліджень і показати їхню неоднорідність. Але об’єднання великої кількості спостережувальних оцінок не усуває спільні систематичні упередження. Якщо всі або багато досліджень мають схожий неврахований конфаундинг, точніший pooled estimate може точніше оцінити саме упереджену величину.
Cochrane Handbook для нерандомізованих досліджень окремо наголошує на конфаундингу та інших типах bias при включенні таких досліджень до систематичних оглядів і метааналізів. Отже, «це підтверджено метааналізом кореляційних досліджень» ще не дорівнює «це причинно доведено».
Критерії Бредфорда Гілла: історично важлива рамка, а не автомат причинності
У 1965 році Остін Бредфорд Гілл описав дев’ять аспектів, які можуть допомагати міркувати про перехід від асоціації до причинного пояснення: сила, послідовність, специфічність, часовість, біологічний градієнт, правдоподібність, узгодженість, експеримент та аналогія. Оригінальна праця Hill має історичне значення для епідеміології й причинного мислення.
Ці аспекти не слід трактувати як чекліст, де достатня кількість галочок «доводить» причинність. Частина справжніх причин не демонструє всіх ознак, а некаузальна асоціація може виглядати переконливо за кількома з них. Сучасні формальні підходи фокусуються на чіткій причинній моделі, контрфактичному або інтервенційному питанні, ідентифікації та дизайні.
Причинність за Грейнджером: корисне поняття, але не синонім причинного ефекту
У часових рядах можна зустріти термін Granger causality. У класичному сенсі він питає, чи покращують минулі значення X прогноз майбутніх значень Y понад інформацію, яка вже є в історії процесу. огляд Shojaie і Fox прямо розрізняє цю прогнозувальну концепцію від інших формальних визначень причинності та описує тривалу дискусію про умови її каузальної інтерпретації.
Тому результат тесту Грейнджера не слід перекладати як «доведено, що X фізично або психологічно спричиняє Y». Він встановлює спрямовану прогнозувальну залежність у межах моделі та припущень; причинний сенс потребує додаткового обґрунтування.
Гіпотетичний психологічний приклад: час у соцмережах і тривожність
Уявімо, що в опитуванні підлітків більше часу в соціальних мережах пов’язане з вищим балом тривожності. Це реальна статистична задача, але з самої кореляції випливає одразу кілька сумісних історій.
Перша: більше часу в соцмережах підвищує тривожність. Друга: тривожніші підлітки частіше звертаються до соцмереж. Третя: самотність, сімейний стрес, порушення сну або інший фактор впливає і на використання соцмереж, і на тривожність. Четверта: зв’язок двонапрямний і розгортається як цикл. П’ята: спосіб відбору учасників або спільний метод самооцінювання спотворює величину асоціації.
Щоб перейти до твердження про причинний ефект, потрібно визначити, яке саме втручання мається на увазі під «менше соцмереж»: скорочення загального часу, відмова від певного типу контенту, зміна нічного використання чи щось інше. Потрібно визначити результат, часовий горизонт, популяцію, альтернативну умову та причинні шляхи. Без цього фраза «соцмережі спричиняють тривожність» надто нечітка навіть до того, як ми почнемо рахувати статистику.
Чому причинне питання має бути конкретним
Причинність майже завжди відносна до контрасту. «Ефект психотерапії» може означати порівняння з відсутністю лікування, списком очікування, плацебо-подібною контрольною умовою, іншим активним лікуванням або звичайною допомогою. «Ефект сну» залежить від того, яку зміну тривалості, режиму або якості сну ми порівнюємо. Без контрасту причинна фраза втрачає операційний зміст.
Це одна з причин, чому сучасна причинна інференція говорить про estimand — чітко визначену величину, яку намагаються оцінити. Спочатку формулюють причинну ціль, потім підбирають дизайн і статистичний метод, а не навпаки.
Кореляція може бути реальною і водночас некаузальною
Важливе слово тут — «реальною». Некausal association не обов’язково є помилкою, артефактом чи «фальшивою кореляцією». Якщо третя змінна стабільно породжує зв’язок між X і Y, сама асоціація може бути прекрасно відтворюваною. Помилкою буде лише причинна інтерпретація, яка не відповідає структурі процесу.
Саме тому стаття про ілюзорну кореляцію відповідає на інше питання. Ілюзорна кореляція стосується помилкового сприйняття або перебільшення зв’язку. У причинній інференції проблема може виникати навіть тоді, коли статистичний зв’язок безсумнівний: він просто не ідентифікує потрібну стрілку.
Відсутність кореляції також не доводить відсутність причинності
Це менш інтуїтивна, але важлива симетрична помилка. Причинний ефект може не проявлятися як проста маргінальна кореляція. Наприклад, позитивний ефект в одній групі та негативний у іншій можуть взаємно компенсуватися; сильна нелінійна залежність може мати Pearson r близький до нуля; груба похибка вимірювання може маскувати зв’язок; регуляторні механізми можуть підтримувати результат біля сталого рівня попри реальний причинний вплив.
Як читати дослідження, де автори говорять про «вплив»
Найкорисніше не забороняти певні слова, а перевіряти, чи дизайн і припущення підтримують причинний зміст. Нижче — послідовність питань, яка працює і для наукової статті, і для медіазаголовка.
1. Яке точне питання? Чи автори описують асоціацію, прогнозують результат або оцінюють причинний ефект?
2. Який дизайн? Поперечний, лонгітюдний, рандомізований, природний експеримент, квазіекспериментальний чи інший? Назва дизайну сама не вирішує все, але визначає, які загрози треба перевірити.
3. Чи є часова послідовність? Причина повинна передувати наслідку в релевантному масштабі часу.
4. Які правдоподібні спільні причини X і Y? Чи вони визначені до аналізу, а не вибрані лише тому, що «значущі»?
5. Що саме контролювали? Чи не є серед ковариат медіатори, колайдери або наслідки експозиції?
6. Наскільки добре виміряні X, Y та конфаундери? Чи валідні інтерпретації психологічних балів у цій популяції?
7. Чи могло включення у вибірку залежати від X, Y або їхніх причин? Селекція здатна створити або змінити асоціацію.
8. Чи дослідники відокремлюють статистичну значущість, величину асоціації та причинну ідентифікацію?
9. Чи проводили аналіз чутливості до альтернативних специфікацій, невиміряного конфаундингу або пропущених даних, якщо це релевантно?
10. Чи висновок відповідає даним? Формулювання «пов’язано з» після спостережувального аналізу може бути коректним навіть тоді, коли заголовок «X спричиняє Y» був би перебільшенням.
11. Чи є незалежні дизайни, які сходяться на одному висновку? Тріангуляція різних методів із різними джерелами bias може посилити причинну аргументацію.
12. Що саме змінило б ваше рішення? Хороша причинна аргументація робить видимими не лише висновок, а й умови, за яких він перестав би бути переконливим.
Які слова краще використовувати для асоціації
Для описових і кореляційних результатів точні формулювання: «X пов’язане з Y», «між X і Y спостерігалася асоціація», «X передбачало Y у моделі», «вищі значення X поєднувалися з вищими значеннями Y». Такі дієслова не занижують результат — вони точно називають те, що встановив аналіз.
Каузальні формулювання — «X збільшує», «X зменшує», «X призводить до», «ефект X на Y» — потребують дизайну й припущень, які справді орієнтовані на причинний ефект. Hernán пропонує не ховати причинну мету за словом «асоціація», а навпаки: якщо мета причинна, сформулювати її явно й оцінити, чи дані та метод здатні її підтримати.
Що підсилює причинний висновок
Немає одного універсального числа, після якого асоціація стає причинністю. Сильна причинна аргументація зазвичай складається з кількох шарів: чітко визначеного питання; дизайну, який створює або наближує порівнювані умови; правдоподібної причинної моделі; якісних вимірювань; контролю релевантних bias; прозорих припущень; оцінки невизначеності; перевірок чутливості; реплікації та узгодженості з незалежними джерелами доказів.
Рандомізований експеримент часто дає найчистішу ідентифікацію ефекту призначення втручання. Добре спроєктоване квазіекспериментальне або спостережувальне дослідження може дати сильний причинний аргумент за відповідних умов. Просте кореляційне дослідження може бути дуже цінним для опису, генерації гіпотез і прогнозування, але його сила не зростає до причинної лише через великий N, малий p-value або складнішу регресію.
Науковий статус принципу «кореляція не означає причинність»
Розрізнення асоціації та причинного ефекту є established methodological principle. Дискусія в сучасній науці стосується не того, чи можна прирівнювати кореляцію до причинності, а того, за яких дизайнів і припущень причинний ефект можна ідентифікувати з експериментальних або спостережувальних даних. Формальні рамки — potential outcomes, structural causal models, DAG, target trial та інші — дають різні мови для цієї задачі.
Історична рамка Бредфорда Гілла залишається корисною для причинного міркування, але її аспекти не є сучасним алгоритмом доказу. Аналогічно, популярне гасло «кореляція ≠ причинність» є правильним стартом, але поганим фіналом: наука потребує не тільки заборони на помилковий висновок, а й позитивної методології, яка пояснює, коли причинний висновок обґрунтований.
FAQ
Чи доводить дуже висока кореляція причинність?
Ні. Навіть r, близький до 1 або −1, описує дуже сильний статистичний зв’язок, але не визначає його джерело. Сильну асоціацію можуть породжувати прямий причинний ефект, зворотна причинність, спільна причина, селекція або інша структура.
Якщо p < 0,001, причинність уже майже доведена?
Ні. P-value не є ймовірністю причинної гіпотези. Він також не виправляє конфаундинг, селекцію, погане вимірювання або неправильний причинний напрям. ASA прямо застерігає від побудови наукових висновків на одному порозі статистичної значущості.
Якщо автори проконтролювали вік, стать та освіту, це вже причинний аналіз?
Не обов’язково. Потрібно знати, чи саме ці змінні блокують релевантні backdoor-шляхи, чи немає важливих невиміряних конфаундерів і чи не включено змінні, контроль яких створює bias. Набір ковариат має випливати з причинної моделі та предметного знання.
Чи доводить лонгітюдне дослідження причинність?
Ні. Воно може краще встановити часову послідовність і динаміку, але не усуває автоматично конфаундинг, селекцію, вимірювальну похибку, двонапрямні процеси та часово-змінні спільні причини.
Чи рандомізоване дослідження завжди доводить причинність?
Добре проведена рандомізація створює дуже сильну основу для причинного висновку про визначений ефект призначення, але конкретний результат усе одно треба оцінювати щодо дотримання протоколу, втрат учасників, вимірювання результату, вибіркового звітування та інших джерел bias. Саме тому існують інструменти на кшталт Cochrane RoB 2.
Чи можна встановлювати причинність без експерименту?
Так, у певних ситуаціях. Сучасна причинна інференція використовує спостережувальні й квазіекспериментальні дизайни, але вимагає чітко визначеного причинного ефекту та сильніших, часто частково неперевірюваних припущень. Якість висновку залежить від того, наскільки переконливо ці припущення обґрунтовані.
Чи означає нульова кореляція, що причинного зв’язку немає?
Ні. Нульовий Pearson r виключає виражену лінійну маргінальну асоціацію в конкретних даних, але не всі форми залежності й не всі причинні ефекти. Нелінійність, гетерогенність ефекту, компенсаторні процеси та похибка вимірювання можуть приховувати причинну структуру.
Чим кореляція відрізняється від асоціації?
Асоціація — ширше поняття статистичної залежності. Кореляція — конкретний клас показників цієї залежності. Не кожну асоціацію адекватно описує один кореляційний коефіцієнт, особливо за нелінійних, категоріальних або складно структурованих даних.
Чи причинність за Грейнджером доводить звичайну причинність?
Ні. Вона оцінює, чи минулі значення одного часового ряду покращують прогноз іншого за заданої моделі та інформаційного набору. Каузальна інтерпретація потребує додаткових припущень; сам термін «causality» у назві методу не замінює їх.
Чи може кореляція бути корисною, якщо вона не доводить причинності?
Так. Кореляції потрібні для опису структури даних, психометричного аналізу, прогнозування, побудови моделей, перевірки теоретичних очікувань і формування причинних гіпотез. Помилка полягає не в кореляції, а в приписуванні їй висновку, якого дизайн не підтримує.
Як перевірити гучний психологічний заголовок за одну хвилину?
Знайдіть оригінальне дослідження й поставте чотири питання: чи була рандомізація або інший причинно орієнтований дизайн; що саме вимірювали; які альтернативні пояснення розглядали; чи в самій статті автори пишуть «causes/effect» або обережніше «associated with/predicts». Для системної перевірки корисні принципи критичного мислення: відокремлювати дані, модель, висновок і риторичну інтерпретацію.
Висновок
Кореляція відповідає на питання, чи змінюються дві змінні разом. Причинність відповідає на питання, що зміниться в результаті, якщо змінити причину за визначених умов. Між цими питаннями немає автоматичного переходу.
Щоб обґрунтувати причинний висновок, потрібно знати не лише коефіцієнт зв’язку, а й дизайн, часову структуру, причинну модель, механізм відбору, якість вимірювання, набір коригування та припущення, що дозволяють інтерпретувати оцінку як причинний ефект. Сучасна причинна інференція не заперечує кореляції — вона ставить її на правильне місце: як спостережуваний факт, із якого починається, але не завершується причинне пояснення.
Пов’язані статті
Джерела
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing.
Grosz, M. P., Rohrer, J. M., & Thoemmes, F. (2020). The Taboo Against Explicit Causal Inference in Nonexperimental Psychology. Perspectives on Psychological Science, 15(5), 1243–1255.
Hernán, M. A. (2018). The C-Word: Scientific Euphemisms Do Not Improve Causal Inference From Observational Data. American Journal of Public Health, 108(5), 616–619.
Hernán, M. A., & Robins, J. M. (2024). Causal Inference: What If. Updated online edition.
Hernán, M. A., & Dahabreh, I. J. (2025). The target trial framework for causal inference from observational data: Why and when is it helpful? Annals of Internal Medicine, 178(3), 402–407.
Higgins, J. P. T., Savović, J., Page, M. J., Elbers, R. G., & Sterne, J. A. C. (2024). Chapter 8: Assessing risk of bias in a randomized trial. In Cochrane Handbook for Systematic Reviews of Interventions, version 6.5.
Hill, A. B. (1965). The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300.
Reeves, B. C., Deeks, J. J., Higgins, J. P. T., Shea, B., Tugwell, P., & Wells, G. A. (2024). Chapter 24: Including non-randomized studies on intervention effects. In Cochrane Handbook for Systematic Reviews of Interventions, version 6.5.
Rohrer, J. M. (2018). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42.
Shmueli, G. (2010). To Explain or to Predict? Statistical Science, 25(3), 289–310.
Shojaie, A., & Fox, E. B. (2022). Granger Causality: A Review and Recent Advances. Annual Review of Statistics and Its Application, 9, 289–319.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133.
Westfall, J., & Yarkoni, T. (2016). Statistically Controlling for Confounding Constructs Is Harder than You Think. PLOS ONE, 11(3), e0152719.