Korelace versus kauzalita
Korelace měří sílu a směr asociace mezi dvěma proměnnými; kauzalita znamená, že změny v jedné proměnné přímo způsobují změny v druhé. Silná korelace (např. r = 0,9) nedokazuje kauzalitu. Klasických příkladů je mnoho: velikost bot a schopnost číst jsou u dětí korelované (ovlivněné věkem), ale velikost bot nezpůsobuje schopnost číst. Pochopení toho, kdy korelace implikuje kauzalitu, vyžaduje zhodnocení návrhu studie, zavádějících proměnných, časové přednosti a mechanismu. Randomizované experimenty poskytují nejsilnější kauzální důkazy; observační studie musí pečlivě kontrolovat zavádějící faktory.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0-521-89560-6
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701. DOI: 10.1037/h0037350 ↗
- Hill, A. B. (1965). The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. DOI: 10.1177/003591576505800503 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/cs/research-statistics/correlation-vs-causation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Velikost účinkuStatistika ve výzkumu↔ compare
- Problém vícenásobných porovnáníStatistika ve výzkumu↔ compare
- Testování nulové hypotézyStatistika ve výzkumu↔ compare
- P-hodnota a statistická významnostStatistika ve výzkumu↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →