Korelacja a przyczynowość
Korelacja mierzy siłę i kierunek związku między dwiema zmiennymi; przyczynowość oznacza, że zmiany w jednej zmiennej bezpośrednio powodują zmiany w drugiej. Silna korelacja (np. r = 0,9) nie dowodzi przyczynowości. Istnieje wiele klasycznych przykładów: rozmiar buta i umiejętność czytania są skorelowane u dzieci (zależne od wieku), ale rozmiar buta nie powoduje umiejętności czytania. Zrozumienie, kiedy korelacja implikuje przyczynowość, wymaga oceny projektu badania, zmiennych zakłócających, poprzedzania czasowego i mechanizmu. Randomizowane eksperymenty dostarczają najsilniejszych dowodów przyczynowych; badania obserwacyjne muszą starannie kontrolować czynniki zakłócające.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 cytować tę stronę
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/pl/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.
- Effect SizeStatystyka w badaniach↔ compare
- Problem wielu porównańStatystyka w badaniach↔ compare
- Testowanie hipotez zerowychStatystyka w badaniach↔ compare
- Wartość p i istotność statystycznaStatystyka w badaniach↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →