Korelācija pret cēloniskumu
Korelācija mēra divu mainīgo lielumu asociācijas spēku un virzienu; cēloniskums nozīmē, ka izmaiņas vienā mainīgajā tieši izraisa izmaiņas citā. Spēcīga korelācija (piemēram, r = 0,9) neapliecina cēloniskumu. Klasisku piemēru netrūkst: apavu izmērs un lasīšanas spējas bērniem ir saistīti (jaukti ar vecumu), taču apavu izmērs nerada lasīšanas spējas. Izpratne par to, kad korelācija nozīmē cēloniskumu, prasa novērtēt pētījuma dizainu, jaucējus mainīgos, laika prioritāti un mehānismu. Randomizēti eksperimenti sniedz visspēcīgākos cēloniskuma pierādījumus; novērojumu pētījumiem rūpīgi jākontrolē jaucēji.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/lv/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.
- Efekta lielumsPētniecības statistika↔ compare
- Problēma ar vairākkārtējiem salīdzinājumiemPētniecības statistika↔ compare
- Nulles hipotēzes testēšanaPētniecības statistika↔ compare
- P vērtība un statistiskā nozīmībaPētniecības statistika↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →