Korrelation versus kausalitet
Korrelation måler styrken og retningen af sammenhængen mellem to variable; kausalitet indebærer, at ændringer i den ene variabel direkte producerer ændringer i den anden. En stærk korrelation (f.eks. r = 0,9) beviser ikke kausalitet. Klassiske eksempler er der nok af: skostørrelse og læsefærdighed er korreleret hos børn (forstyrret af alder), men skostørrelse forårsager ikke læsefærdighed. Forståelse af, hvornår korrelation indebærer kausalitet, kræver evaluering af studiedesign, forstyrrende variable, tidsmæssig forrang og mekanisme. Randomiserede eksperimenter giver den stærkeste kausale evidens; observationsstudier skal omhyggeligt kontrollere for forstyrrende faktorer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/da/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.
- EffektstørrelseForskningsstatistik↔ compare
- Problem med multiple sammenligningerForskningsstatistik↔ compare
- HypotesetestningForskningsstatistik↔ compare
- P-værdi og statistisk signifikansForskningsstatistik↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →