Ложная корреляция: Определение, примеры и как их обнаружить
Что такое ложная корреляция?
В мире статистики под ложной корреляцией, также известной как ложная корреляция, понимается кажущаяся причинно-следственная связь между двумя переменными, которая на самом деле не является реальной. Она возникает, когда между двумя переменными существует наблюдаемая связь, но эта связь является лишь результатом случайности или присутствия невидимого сбивающего фактора. Ложные корреляции могут вводить в заблуждение и приводить к неверным выводам, если их не понять и не проанализировать должным образом.
Понимание ложной корреляции
Ложные корреляции возникают, когда кажется, что две переменные имеют причинно-следственную связь, но на самом деле это не так. Такая ложная корреляция часто возникает из-за присутствия третьего фактора, известного как сбивающий фактор, который влияет на обе переменные одновременно.
Корреляция в статистическом смысле означает, что изменение одной переменной соответствует изменению другой переменной. Когда две переменные демонстрируют схожие закономерности на графике, естественно предположить, что они коррелируют. Однако дальнейший статистический анализ может показать, что очевидная корреляция случайна или обусловлена каким-либо фактором, влияющим на обе переменные. В этом случае в игру вступает ложная корреляция.
Небольшие размеры выборки или произвольные конечные точки в исследованиях могут повысить вероятность выявления ложных корреляций. Поэтому очень важно проявлять осторожность при интерпретации корреляций, особенно если они не подкреплены надежными статистическими данными.
Выявление надуманности
Выявление ложных связей требует критического анализа использованных методов исследования и имеющихся данных. Хотя здравый смысл часто может помочь обнаружить потенциальные надуманные корреляции, для их подтверждения или опровержения необходим тщательный статистический анализ. Вот некоторые методы, используемые статистиками и учеными, чтобы избежать и выявить ложные взаимосвязи:
- Обеспечение надлежащей репрезентативной выборки: Выборка, которая точно представляет изучаемую популяцию, необходима для получения надежных результатов. Предвзятость при отборе выборки может привести к появлению ложных корреляций.
- Получение адекватного размера выборки: Больший объем выборки обычно дает более точные результаты и снижает вероятность появления ложных корреляций, обусловленных случайными обстоятельствами.
- Опасайтесь произвольных конечных точек: Выбор конечных точек в данных временных рядов может повлиять на наблюдаемую корреляцию. Чтобы не делать ошибочных выводов, необходимо учитывать весь соответствующий период времени.
- Контроль за внешними переменными: При анализе взаимосвязи между двумя переменными необходимо контролировать другие факторы, которые могут влиять на обе переменные. Это помогает выявить истинную взаимосвязь между интересующими вас переменными.
- Использование нулевой гипотезы и проверка сильного p-значения: Нулевая гипотеза предполагает отсутствие связи между переменными. Проверив нулевую гипотезу и получив низкое значение p-value, исследователи могут определить статистическую значимость корреляции.
Примеры ложной корреляции
Чтобы проиллюстрировать концепцию ложной корреляции, приведем несколько примеров:
- Теория подола: Теория линии подола, возникшая в 1920-х годах, предполагает корреляцию между длиной юбки и направлением движения фондового рынка. Согласно теории, более длинные юбки указывают на «медвежий» рынок, а более короткие — на «бычий». Однако эта корреляция является чисто случайной и не имеет никакой причинно-следственной связи.
- Индикатор Суперкубка: Индикатор Суперкубка — это забавная, но ненадежная корреляция, которая предполагает, что исход Суперкубка (американский футбол) может предсказать направление движения фондового рынка. Индикатор утверждает, что если победит команда из Американской футбольной конференции, то рынок упадет, в то время как победа команды из Национальной футбольной конференции предсказывает рост рынка. Несмотря на периодическую точность, индикатор Super Bowl Indicator не является надежной инвестиционной стратегией.
- Уровень образования и раса: В США существует корреляция между расой и уровнем образования. Например, данные могут показать, что среди белых людей больше тех, кто заканчивает колледж, чем среди чернокожих. Однако эта корреляция не означает причинно-следственной связи между расой и уровнем образования. Такие факторы, как социально-экономический статус, доступ к качественному образованию и системное неравенство, могут сбивать эту корреляцию.
Итоги
Понимание ложной корреляции имеет решающее значение для принятия обоснованных решений и предотвращения ложных выводов. Хотя корреляции могут быть полезны для выявления взаимосвязей, важно проводить тщательный статистический анализ, контролировать сбивающие факторы и учитывать более широкий контекст, прежде чем делать какие-либо причинные интерпретации. Зная о возможности подтасовки фактов, исследователи, аналитики и инвесторы могут делать более точные оценки и избегать дорогостоящих ошибок.
Вопросы и ответы
Что такое ложная корреляция?
Под ложной корреляцией понимается связь между двумя переменными, которая кажется причинно-следственной, но таковой не является. Она возникает, когда наблюдаемые зависимости между переменными объясняются случайностью или связаны с каким-то невидимым фактором.
Как ложные корреляции могут вводить в заблуждение?
Ложные корреляции могут вводить в заблуждение, поскольку они создают впечатление причинно-следственной связи между переменными, в то время как на самом деле никакой истинной причинно-следственной связи не существует. Опора на ложные корреляции может привести к неверным выводам и ошибочным решениям.
Что вызывает ложные корреляции?
Ложные корреляции могут возникать по разным причинам. Одной из распространенных причин является наличие сбивающего фактора, который влияет на обе переменные одновременно. Кроме того, малый объем выборки, произвольные конечные точки и отсутствие контроля за внешними переменными могут способствовать возникновению ложных корреляций.
Как выявить ложную корреляцию?
Чтобы выявить ложную корреляцию, важно провести тщательный статистический анализ. Ищите сопутствующие факторы, которые могут влиять на обе переменные, обеспечьте репрезентативность выборки, используйте адекватный размер выборки, будьте осторожны с произвольными конечными точками и проверяйте статистическую значимость корреляции с помощью проверки гипотез.
Все ли корреляции являются ложными?
Нет, не все корреляции являются ложными. Некоторые корреляции являются подлинными и указывают на истинную связь между переменными. Однако очень важно провести тщательный анализ и учесть другие факторы, прежде чем делать вывод о том, что корреляция действительно подлинная и имеет причинно-следственную связь.
Можно ли использовать ложные корреляции в прогностических целях?
На ложные корреляции не следует полагаться в прогностических целях. Хотя может показаться, что они демонстрируют закономерности, которые можно использовать для прогнозирования, опора на ложные корреляции может привести к неточным прогнозам и принятию неверных решений. При составлении прогнозов важно использовать надежные статистические методы и учитывать глубинные механизмы и причинно-следственные связи.
Каковы примеры ложных корреляций в реальной жизни?
Реальные примеры ложных корреляций включают в себя теорию Hemline, которая предполагает связь между длиной юбки и направлением движения фондового рынка, и индикатор Super Bowl, который утверждает, что предсказывает движение фондового рынка на основе результатов Суперкубка. Эти примеры демонстрируют необходимость критически оценивать корреляции и избегать ложных выводов.