Korelasi vs Kausaliti
Korelasi mengukur kekuatan dan arah perkaitan antara dua pemboleh ubah; kausaliti membayangkan bahawa perubahan dalam satu pemboleh ubah secara langsung menghasilkan perubahan dalam pemboleh ubah lain. Korelasi yang kuat (cth., r = 0.9) tidak membuktikan kausaliti. Contoh klasik banyak terdapat: saiz kasut dan kebolehan membaca berkorelasi pada kanak-kanak (dikacau oleh umur), tetapi saiz kasut tidak menyebabkan kebolehan membaca. Memahami bila korelasi membayangkan kausaliti memerlukan penilaian reka bentuk kajian, pemboleh ubah pengacau, keutamaan temporal, dan mekanisme. Eksperimen rawak menawarkan bukti kausal yang paling kukuh; kajian pemerhatian mesti mengawal pemboleh ubah pengacau dengan teliti.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/ms/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.
- Saiz KesanStatistik Penyelidikan↔ compare
- Masalah Perbandingan BergandaStatistik Penyelidikan↔ compare
- Pengujian Hipotesis NolStatistik Penyelidikan↔ compare
- Nilai-P dan Kepentingan StatistikStatistik Penyelidikan↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →