Korrelation kontra kausalitet
Korrelation mäter styrkan och riktningen av sambandet mellan två variabler; kausalitet innebär att förändringar i en variabel direkt ger upphov till förändringar i en annan. En stark korrelation (t.ex. r = 0,9) bevisar inte kausalitet. Klassiska exempel finns i överflöd: skostorlek och läsförmåga är korrelerade hos barn (påverkade av ålder), men skostorlek orsakar inte läsförmåga. Att förstå när korrelation innebär kausalitet kräver utvärdering av studiedesign, störfaktorer (confounding variables), tidsmässig prioritet och mekanism. Randomiserade experiment ger det starkaste kausala beviset; observationsstudier måste noggrant kontrollera för störfaktorer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Understanding the Distinction Between Correlation and Causation in Research. ScholarGate. https://scholargate.app/sv/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.
- EffektstorlekForskningsstatistik↔ compare
- Problem med multipel testningForskningsstatistik↔ compare
- Hypotesprövning (Null Hypothesis Testing)Forskningsstatistik↔ compare
- P-värde och statistisk signifikansForskningsstatistik↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →