Korrelaatio vs. kausaatio
Korrelaatio mittaa kahden muuttujan välisen yhteyden voimakkuutta ja suuntaa; kausaatio tarkoittaa, että yhden muuttujan muutokset tuottavat suoraan muutoksia toisessa. Vahva korrelaatio (esim. r = 0,9) ei todista kausaatiota. Klassisia esimerkkejä on runsaasti: kenkäkoko ja lukutaito ovat korreloivia lapsilla (ikä sekoittaa), mutta kenkäkoko ei aiheuta lukutaitoa. Sen ymmärtäminen, milloin korrelaatio viittaa kausaatioon, vaatii tutkimusasetelman, sekoittavien muuttujien, ajallisen järjestyksen ja mekanismin arviointia. Satunnaistetut kokeet tarjoavat vahvimman kausaalisen todistusaineiston; havainnointitutkimuksissa on huolellisesti hallittava sekoittavia tekijöitä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/fi/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.
- EfektikokoTutkimuksen tilastomenetelmät↔ compare
- Useiden vertailujen ongelmaTutkimuksen tilastomenetelmät↔ compare
- Nollahypoteesin testausTutkimuksen tilastomenetelmät↔ compare
- P-arvo ja tilastollinen merkitsevyysTutkimuksen tilastomenetelmät↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →