College 1
“Correlatie is geen causatie”
Het zoeken naar causale verklaringen voor de samenhang der dingen houdt de
mensheid al eeuwen bezig. Het maakt niet alleen dat we de wereld beter begrijpen,
maar het zorgt er ook voor dat we wereld steeds beter naar onze hand kunnen zetten.
Denk aan causale verklaringen voor ziekteverspreiding en de aanleg van riolering ter
preventie. Maar helaas zijn de ingrepen door mens niet altijd gunstig voor onze planeet…
Maar – en het is al vaak gezegd – het feit dat twee kenmerken samenhangen wil niet
zeggen dat er ook sprake is van een oorzaak-gevolg relatie! Het is niet zo dat het kraaien
van de haan ervoor zorgt dat de zon opkomt…
➢ Hoe onderzoeken we of er (mogelijk) sprake is van een causale relatie tussen
twee fenomenen?
Het experiment
Causaliteit en correlationeel (niet-experimenteel) onderzoek
- Random toewijzen / actief manipuleren in de praktijk meestal niet mogelijk, niet
wenselijk, of zelfs onethisch.
- We moeten het doen met data verkregen in ‘natuurlijke settings’ (e.g., surveys,
observaties) => correlationeel onderzoek.
- Correlationeel onderzoek kan puur observationeel zijn: verzamel data voor de
variabelen die interessant zijn en kijk naar de patronen van correlaties:
✓ Erg nuttig om nieuwe hypothesen te genereren
✓ Samenhang kan worden benut om (betere) voorspellingen te doen,
betere beslissingen te nemen, etc. (data science).
- Of theorie-gedreven. Je onderzoekt dan of de gevonden correlaties aansluiten
bij theoretische verwachtingen (hypothesen) => causale analyse
,Correlatie is niet persé causatie
Wanneer twee variabelen correleren, dan mag je niet zonder meer concluderen dat er
een directe causale relatie is tussen de twee variabelen, maar je hoeft een causaal
effect ook niet direct uit te sluiten!
- Wanneer twee variabelen (zeg X en Y) correleren, dan zijn er verschillende
verklaringsmechanismen mogelijk die de correlatie geheel of gedeeltelijk
verklaren. Sommige verklaringsmechanismen veronderstellen een causaal effect
tussen X en Y, andere doen dat niet.
- Op basis van de correlatie alleen kunnen we geen conclusies trekken welke van
deze mechanismen het meest plausibel is, maar het betekent dus dat het
mogelijk is dat de correlatie een causaal effect weerspiegelt.
- Om meer inzicht te krijgen in de vraag of de samenhang mogelijk causaal is,
moeten we meer variabelen in de analyses opnemen. Dit is wat we zullen doen in
padanalyses!
Causale analyse
- Algemene opzet causale analyse op basis van correlaties (padanalyse):
1) Begin met het opstellen van een causale theorie waarin de causale
mechanismen worden beschreven (waarbij we zoveel mogelijk varen op wat
we al weten!).
2) Vertaal de theorie in een statistisch (causaal) model.
3) Verzamel data en schat hieruit de causale effecten volgens het model (met de
geëigende statistische technieken).
4) Bekijk in hoeverre de verwachte correlaties tussen de variabelen op basis van
het model overeenkomen met de waargenomen correlaties. Als de
observaties niet bij de verwachtingen passen dient het model aangepast (of
eventueel) verworpen te worden.
De empirische cyclus
VOORBEELD: SLIDE 15-18
,Wat de werkelijkheid is, weten we nooit 100% zeker, maar naarmate we meer te weten
komen over de relaties met andere variabelen, kunnen we (hopelijk) steeds betere
modellen opstellen waarmee we de samenhang adequaat causaal kunnen verklaren =>
wetenschappelijke theorievorming. Waar we vooral naar streven als we causale
relaties in correlationele data onderzoeken is het identificeren of uitsluiten van
mogelijke confounders die schijnrelaties tussen onze onderzoeksvariabelen
veroorzaken!
Schijnrelaties
De schijnrelatie tussen X en Y:
- Er is sprake van een schijnrelatie tussen X en Y als zij een gemeenschappelijke
oorzaak hebben (zoals variabele Z in het figuur hiernaast).
- Omdat zowel X als Y dezelfde gemeenschappelijke oorzaak hebben
ontstaat er samenhang tussen X en Y. Maar een verandering in X heeft geen
effect op Y, en ook niet omgekeerd. Door de correlatie lijkt er een causaal
verband te zijn tussen de variabelen, maar dat is schijn!
- Variabele Z wordt ook wel een confounder genoemd; best vertaald als
verstorende variabele.
- Schijnsamenhang wordt in het Engels spurious relationship genoemd.
VOORBEELD: SLIDE 21
Waarom een goed begrip van het principe van schijnrelaties essentieel is?
Een goed begrip van, en oog voor, schijnrelaties is essentieel! Net alleen binnen deze
cursus, maar ook in het kader van de academische vorming! Waarom zo belangrijk?
- Onze hersenen zijn er op gemaakt om verbanden (patronen) te zien; we moeten
kunnen filteren wat mogelijk schijnverbanden zijn en wat echte verbanden zijn.
Dit vereist inhoudelijke kennis (!) en methodologische kennis.
- Het veronachtzamen van schijnverbanden kan een grote maatschappelijke
impact hebben: Wat te denken van correlaties die er mogelijk zijn tussen
etnische achtergrond en criminaliteit, verband tussen opleiding ouders en
schooluitval, opleiding en radicalisering, etc. Onterechte causale interpretaties
van deze verbanden kunnen grote gevolgen hebben voor individu en
maatschappij…
- Met de komst van kunstmatige intelligentie (AI), waarmee complexe patronen
worden herleid uit grote data bestanden, is kennis van causaliteit en
schijnrelaties extra belangrijk!
VOORBEELD: SLIDE 24
, Het belang van statistiek en (kritisch) statistisch denken
We gebruiken statistiek om signalen van ruis te onderscheiden. Dat is niet zo
gemakkelijk!
- Chaotische lijkende data hebben wellicht meer structuur dan je op het oog zou
verwachten.
- Ogenschijnlijke signalen kunnen simpelweg toeval zijn. Als je heel veel variabelen
correleert, dan zijn er vast een paar significant, ook als de variabelen helemaal
geen verband houden met elkaar (resultaten zijn niet repliceerbaar).
We hebben de statistiek nodig om in een grote brei aan data patronen te vinden, en een
kritische statistische blik om de resultaten in hun juiste perspectief te (blijven) zien.
Wat is een padmodel?
Een padmodel is een (statistische) weergave van veronderstelde causale
relaties tussen twee of meer variabelen (zie voorbeelden volgende
slides). Het padmodel kun je zien als één omvattende hypothese over de
onderliggende causale processen die de geobserveerde correlaties
tussen twee of meerdere variabelen (grotendeels) verklaren.
Intermezzo 1: Variabelen
- Variabelen hebben betrekking op eigenschappen (attributen) van
onderzoekseenheden waarin je geïnteresseerd zijn en waarin de
onderzoekseenheden variëren.
- Als er geen variatie is in de variabele dan spreek je van een constante.
Let op: of een eigenschap een variabele is hangt van je specifieke
onderzoeksgroep af. Als je onderzoeksgroep bijvoorbeeld alleen uit
meisjes bestaat, dan is geslacht is in dit onderzoek geen variabele maar
een constante!
- Veel voorkomende fout: Verwarring van de waarden van de variabele met de
variabele zelf:
o Voorbeeld: ‘rijk’ en ‘arm’ zijn twee waarden van dezelfde variabele
inkomen.
o Verwarring van de variabelen met de waarden van variabelen zie je soms
terug in de opgestelde hypothese: Het is onjuist om te zeggen: “Een hoge
opleiding hangt samen met een hoog inkomen”→ Beter: “opleiding hangt
positief samen met inkomen” Of; “hoog opgeleiden verdienen gemiddeld
genomen meer dan laag opgeleiden”
“Correlatie is geen causatie”
Het zoeken naar causale verklaringen voor de samenhang der dingen houdt de
mensheid al eeuwen bezig. Het maakt niet alleen dat we de wereld beter begrijpen,
maar het zorgt er ook voor dat we wereld steeds beter naar onze hand kunnen zetten.
Denk aan causale verklaringen voor ziekteverspreiding en de aanleg van riolering ter
preventie. Maar helaas zijn de ingrepen door mens niet altijd gunstig voor onze planeet…
Maar – en het is al vaak gezegd – het feit dat twee kenmerken samenhangen wil niet
zeggen dat er ook sprake is van een oorzaak-gevolg relatie! Het is niet zo dat het kraaien
van de haan ervoor zorgt dat de zon opkomt…
➢ Hoe onderzoeken we of er (mogelijk) sprake is van een causale relatie tussen
twee fenomenen?
Het experiment
Causaliteit en correlationeel (niet-experimenteel) onderzoek
- Random toewijzen / actief manipuleren in de praktijk meestal niet mogelijk, niet
wenselijk, of zelfs onethisch.
- We moeten het doen met data verkregen in ‘natuurlijke settings’ (e.g., surveys,
observaties) => correlationeel onderzoek.
- Correlationeel onderzoek kan puur observationeel zijn: verzamel data voor de
variabelen die interessant zijn en kijk naar de patronen van correlaties:
✓ Erg nuttig om nieuwe hypothesen te genereren
✓ Samenhang kan worden benut om (betere) voorspellingen te doen,
betere beslissingen te nemen, etc. (data science).
- Of theorie-gedreven. Je onderzoekt dan of de gevonden correlaties aansluiten
bij theoretische verwachtingen (hypothesen) => causale analyse
,Correlatie is niet persé causatie
Wanneer twee variabelen correleren, dan mag je niet zonder meer concluderen dat er
een directe causale relatie is tussen de twee variabelen, maar je hoeft een causaal
effect ook niet direct uit te sluiten!
- Wanneer twee variabelen (zeg X en Y) correleren, dan zijn er verschillende
verklaringsmechanismen mogelijk die de correlatie geheel of gedeeltelijk
verklaren. Sommige verklaringsmechanismen veronderstellen een causaal effect
tussen X en Y, andere doen dat niet.
- Op basis van de correlatie alleen kunnen we geen conclusies trekken welke van
deze mechanismen het meest plausibel is, maar het betekent dus dat het
mogelijk is dat de correlatie een causaal effect weerspiegelt.
- Om meer inzicht te krijgen in de vraag of de samenhang mogelijk causaal is,
moeten we meer variabelen in de analyses opnemen. Dit is wat we zullen doen in
padanalyses!
Causale analyse
- Algemene opzet causale analyse op basis van correlaties (padanalyse):
1) Begin met het opstellen van een causale theorie waarin de causale
mechanismen worden beschreven (waarbij we zoveel mogelijk varen op wat
we al weten!).
2) Vertaal de theorie in een statistisch (causaal) model.
3) Verzamel data en schat hieruit de causale effecten volgens het model (met de
geëigende statistische technieken).
4) Bekijk in hoeverre de verwachte correlaties tussen de variabelen op basis van
het model overeenkomen met de waargenomen correlaties. Als de
observaties niet bij de verwachtingen passen dient het model aangepast (of
eventueel) verworpen te worden.
De empirische cyclus
VOORBEELD: SLIDE 15-18
,Wat de werkelijkheid is, weten we nooit 100% zeker, maar naarmate we meer te weten
komen over de relaties met andere variabelen, kunnen we (hopelijk) steeds betere
modellen opstellen waarmee we de samenhang adequaat causaal kunnen verklaren =>
wetenschappelijke theorievorming. Waar we vooral naar streven als we causale
relaties in correlationele data onderzoeken is het identificeren of uitsluiten van
mogelijke confounders die schijnrelaties tussen onze onderzoeksvariabelen
veroorzaken!
Schijnrelaties
De schijnrelatie tussen X en Y:
- Er is sprake van een schijnrelatie tussen X en Y als zij een gemeenschappelijke
oorzaak hebben (zoals variabele Z in het figuur hiernaast).
- Omdat zowel X als Y dezelfde gemeenschappelijke oorzaak hebben
ontstaat er samenhang tussen X en Y. Maar een verandering in X heeft geen
effect op Y, en ook niet omgekeerd. Door de correlatie lijkt er een causaal
verband te zijn tussen de variabelen, maar dat is schijn!
- Variabele Z wordt ook wel een confounder genoemd; best vertaald als
verstorende variabele.
- Schijnsamenhang wordt in het Engels spurious relationship genoemd.
VOORBEELD: SLIDE 21
Waarom een goed begrip van het principe van schijnrelaties essentieel is?
Een goed begrip van, en oog voor, schijnrelaties is essentieel! Net alleen binnen deze
cursus, maar ook in het kader van de academische vorming! Waarom zo belangrijk?
- Onze hersenen zijn er op gemaakt om verbanden (patronen) te zien; we moeten
kunnen filteren wat mogelijk schijnverbanden zijn en wat echte verbanden zijn.
Dit vereist inhoudelijke kennis (!) en methodologische kennis.
- Het veronachtzamen van schijnverbanden kan een grote maatschappelijke
impact hebben: Wat te denken van correlaties die er mogelijk zijn tussen
etnische achtergrond en criminaliteit, verband tussen opleiding ouders en
schooluitval, opleiding en radicalisering, etc. Onterechte causale interpretaties
van deze verbanden kunnen grote gevolgen hebben voor individu en
maatschappij…
- Met de komst van kunstmatige intelligentie (AI), waarmee complexe patronen
worden herleid uit grote data bestanden, is kennis van causaliteit en
schijnrelaties extra belangrijk!
VOORBEELD: SLIDE 24
, Het belang van statistiek en (kritisch) statistisch denken
We gebruiken statistiek om signalen van ruis te onderscheiden. Dat is niet zo
gemakkelijk!
- Chaotische lijkende data hebben wellicht meer structuur dan je op het oog zou
verwachten.
- Ogenschijnlijke signalen kunnen simpelweg toeval zijn. Als je heel veel variabelen
correleert, dan zijn er vast een paar significant, ook als de variabelen helemaal
geen verband houden met elkaar (resultaten zijn niet repliceerbaar).
We hebben de statistiek nodig om in een grote brei aan data patronen te vinden, en een
kritische statistische blik om de resultaten in hun juiste perspectief te (blijven) zien.
Wat is een padmodel?
Een padmodel is een (statistische) weergave van veronderstelde causale
relaties tussen twee of meer variabelen (zie voorbeelden volgende
slides). Het padmodel kun je zien als één omvattende hypothese over de
onderliggende causale processen die de geobserveerde correlaties
tussen twee of meerdere variabelen (grotendeels) verklaren.
Intermezzo 1: Variabelen
- Variabelen hebben betrekking op eigenschappen (attributen) van
onderzoekseenheden waarin je geïnteresseerd zijn en waarin de
onderzoekseenheden variëren.
- Als er geen variatie is in de variabele dan spreek je van een constante.
Let op: of een eigenschap een variabele is hangt van je specifieke
onderzoeksgroep af. Als je onderzoeksgroep bijvoorbeeld alleen uit
meisjes bestaat, dan is geslacht is in dit onderzoek geen variabele maar
een constante!
- Veel voorkomende fout: Verwarring van de waarden van de variabele met de
variabele zelf:
o Voorbeeld: ‘rijk’ en ‘arm’ zijn twee waarden van dezelfde variabele
inkomen.
o Verwarring van de variabelen met de waarden van variabelen zie je soms
terug in de opgestelde hypothese: Het is onjuist om te zeggen: “Een hoge
opleiding hangt samen met een hoog inkomen”→ Beter: “opleiding hangt
positief samen met inkomen” Of; “hoog opgeleiden verdienen gemiddeld
genomen meer dan laag opgeleiden”
