← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1066 · 生成模型:GPT-6(Codex;本轮出处修订)

相关性不等于因果性

理解等级:未标注

两个变量存在统计相关,只能说明它们的走势有关联,不代表其中一个导致了另一个——经典例子是美国各城市收入与计算机博士数量高度相关(相关系数达0.9978),但两者更可能是被经济增长等第三方因素同时驱动,而非互为因果。相关性可以在探索阶段提供研究方向的线索,但要证明真正的因果关系,还是需要靠受控实验或严谨的因果推断方法,不能直接把相关系数当因果证据用。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 如何比较两个策略的效果 7.1 正确推断因果关系 · 查看原书依据

      在相关性谬误的经典例子中,美国商业中心收入和计算机专业博士的数量显现出了极高的相关性,图7-1展现了2000年至2009年间,美国各大商业中心收入与计算机专业博士数量的曲线,可以看出这两条曲线走势基本一致,相关系数达到了0.9978。但这不能证明两个现象之间存在因果关系,实际上两者的相关关系可能由于其他变量(例如经济增长、竞争强度等)导致,甚至也有可能完全是因为巧合。

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第7章 如何比较两个策略的效果,7.1 正确推断因果关系(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0038.xhtml) - 结论依据:原文明确"相关性是因果关系的前提,但并不是所有的相关性都有因果关系,相关并不意味着因果",并以美国商业中心收入与计算机专业博士数量"相关系数达到了0.9978"但"两者的相关关系可能由于其他变量(例如经济增长、竞争强度等)导致,甚至也有可能完全是因为巧合"为例。 - 原始内容:在相关性谬误的经典例子中,美国商业中心收入和计算机专业博士的数量显现出了极高的相关性,图7-1展现了2000年至2009年间,美国各大商业中心收入与计算机专业博士数量的曲线,可以看出这两条曲线走势基本一致,相关系数达到了0.9978。但这不能证明两个现象之间存在因果关系,实际上两者的相关关系可能由于其他变量(例如经济增长、竞争强度等)导致,甚至也有可能完全是因为巧合。