Correlazione non significa causalità — Dati, 14–17 anni
Un legame tra due misure non dimostra da solo che una causi l’altra. Dati, 14–17 anni.
L’idea
La correlazione descrive un modello in cui due variabili cambiano insieme. Una correlazione positiva significa che valori più grandi di una tendono ad accompagnarsi a valori più grandi dell’altra; una negativa, a valori più piccoli. Descrive un’associazione, non la ragione che la produce.
Perché serve
Trovare schemi può aiutare a fare previsioni, ma confondere un’associazione con una causa può portare a decisioni sbagliate. Due variabili possono dipendere da un terzo fattore, una può causare l’altra, oppure il legame può essere casuale. Un’analisi attenta cerca altre spiegazioni prima di consigliare un’azione.
Esempio svolto
Supponiamo che una città registri ogni mese le vendite di gelati e le visite alla piscina. Entrambe salgono da 1000 e 200 in primavera a 3000 e 600 in estate, poi diminuiscono. Le variabili sono positivamente correlate. Sarebbe sbagliato concludere che comprare gelati causi il nuoto: il caldo fa aumentare entrambe e agisce come terzo fattore.
L’errore comune
L’errore più comune è dire: «A aumenta quando aumenta B, quindi A causa B». Sembra ragionevole perché le cause spesso producono schemi. Però i dati potrebbero non mostrare quale variabile venga prima, potrebbero ignorare una terza variabile oppure mostrare una coincidenza. Un grafico rivela un legame, ma da solo non dimostra la causalità.
Dove si usa
I ricercatori usano le correlazioni per individuare possibili legami tra attività fisica e salute, pioggia e crescita dei raccolti, oppure sonno e concentrazione. Questi legami possono suggerire domande ed esperimenti utili. Le decisioni mediche, sociali e aziendali richiedono prove più solide quando si pensa che cambiare una cosa ne causi un’altra, per esempio uno studio controllato o un confronto ben progettato.
Continua a esplorare
Altre lingue
Caricamento di MyLeoNes™…