Når issalget stiger, bliver flere mennesker også solskoldede. Men betyder det, at is giver solskoldning? Selvfølgelig ikke – og netop derfor er det så vigtigt at skelne mellem korrelation og kausalitet.
Korrelation er en statistisk sammenhæng. Kausalitet er en årsagssammenhæng. I videoen nedenfor tegner og forklarer jeg forskellen. Bagefter undersøger vi, hvordan du kan bruge den, når du fortolker data og vurderer et forsøg.
Video: kausalitet og korrelation
Forskellen på kausalitet og korrelation
En variabel er en størrelse eller egenskab, som kan variere, eksempelvis temperatur, plantehøjde eller antal timers søvn. Korrelation beskriver, hvordan to variable varierer sammen. Kausalitet handler om, at en ændring i én faktor medfører en ændring i en anden.
| Begreb | Hvad viser det? | Hvad kan du konkludere? |
|---|---|---|
| Korrelation | To variable varierer sammen | Der er en statistisk sammenhæng; behøver ikke være en årsagssammenhæng |
| Kausalitet | En faktor påvirker en anden | Der er en årsagssammehæng. Når den ene ændres, vil den anden også ændres |
En korrelation kan altså være et interessant spor, som hjælper os med at formulere en hypotese. Men den fortæller ikke i sig selv, hvad årsagen er. Det kræver, at vi undersøger mulige forklaringer og vurderer, hvordan data er indsamlet.
Positiv og negativ korrelation
Ved positiv korrelation følges høje værdier af den ene variabel typisk med høje værdier af den anden. På varme sommerdage kan både temperaturen og issalget eksempelvis være højt.
Ved negativ korrelation hænger høje værdier af den ene variabel typisk sammen med lave værdier af den anden. I et tænkt forsøg kan en stigende saltkoncentration eksempelvis hænge sammen med faldende spiring hos en planteart.
Positiv betyder ikke “god”, og negativ betyder ikke “dårlig”. Ordene beskriver retningen. Tegner du et punktdiagram, kan du se, om punkterne overordnet følger et stigende eller faldende mønster. En stærk lineær korrelation siger stadig ikke, om sammenhængen er kausal.
Eksempel: issalg og solskoldninger
Forestil dig, at du sammenligner issalg og antal solskoldninger gennem en sommer. På dage med stort issalg er der også mange solskoldninger. Det er en positiv korrelation.
En oplagt forklaring er en tredje variabel: Solrigt og varmt vejr kan øge både lysten til is og tiden udendørs. Solens UV-stråling kan give solskoldning. Issalget følger altså et mønster, uden at isen behøver være årsagen til skaden.
Du kan tegne forklaringen med to pile ud fra “solrigt sommervejr”: én mod “større issalg” og én mod “mere soleksponering”. Så bliver det tydeligt, hvorfor to ting kan følges ad uden en årsagspil direkte mellem dem.
Hvorfor er korrelation ikke det samme som kausalitet?
Når to variable hænger sammen, er der flere mulige forklaringer. Den ene kan påvirke den anden, men påvirkningen kan også gå den modsatte vej. De kan desuden påvirkes af en fælles faktor, eller sammenhængen kan skyldes tilfældig variation eller måden, data er udvalgt på.
Tænk eksempelvis på sammenhængen mellem stress og søvn. Mindre søvn kan påvirke stress, men stress kan også forringe søvnen. En simpel sammenligning af de to fortæller ikke alene, hvilken retning påvirkningen går – og begge retninger kan være relevante.
En statistisk signifikant sammenhæng er heller ikke automatisk kausal. Statistiske beregninger kan hjælpe med at vurdere et mønster under bestemte antagelser, men erstatter ikke et godt undersøgelsesdesign.
Eksempel fra NV: lys og plantevækst
Du opdager, at planter tæt på et vindue er vokset mere end planter længere inde i lokalet. Lys kan være forklaringen, men planterne kan også have fået forskellig vanding eller stået ved forskellige temperaturer. Observationen alene isolerer ikke lysets betydning.
Derfor planlægger du et forsøg med samme planteart, sammenlignelige startstørrelser og flere planter i hver gruppe. Grupperne får forskellige lysmængder, mens vand, jord, tid og andre relevante forhold holdes så ens som muligt. Placeringen fordeles, så grupperne ikke systematisk adskiller sig på andre måder.
Lysmængden er den uafhængige variabel, som du ændrer. Plantens vækst er den afhængige variabel, som du måler. De forhold, du holder ens, er kontrollerede variable. Du kan få det forklaret nærmere på siden om variabelkontrol.
Et veludført forsøg giver et stærkere grundlag for at undersøge, om lys påvirker væksten under de undersøgte betingelser. Gentagelser hjælper med at vurdere variation og robusthed. En god biologisk forklaring, eksempelvis lysets rolle i fotosyntesen, hjælper samtidig med at forstå resultatet.
Hvordan undersøger man en årsagssammenhæng?
Et kontrolleret eksperiment kan være særligt nyttigt, fordi man bevidst ændrer en faktor og sammenligner med en relevant kontrol. Læs også om kontrolforsøg og om hypotetisk-deduktiv metode, hvor en hypotese bruges til at opstille en forudsigelse, som kan testes.
Nogle spørgsmål kan ikke undersøges med eksperimenter, eksempelvis fordi det ville være uetisk eller upraktisk. Her kan forskere samle viden fra observationsstudier, tidsforløb, biologiske mekanismer og andre undersøgelser. Årsagsvurderingen bygger så på den samlede dokumentation.
Spørg altid: Kommer den formodede årsag før virkningen? Kan andre faktorer forklare mønstret? Er målingerne troværdige? Og understøttes forklaringen af flere uafhængige undersøgelser?
Sådan formulerer du en konklusion
Hvis du kun har undersøgt en sammenhæng, kan du skrive: “Data viser en positiv sammenhæng mellem X og Y. Undersøgelsen kan ikke alene afgøre, om X er årsag til Y.” Det er en præcis konklusion, som passer til dokumentationen.
Har du udført et kontrolleret forsøg, skal du forklare, hvad der blev ændret og kontrolleret, og hvilke usikkerheder der stadig er. Resultatet kan støtte en årsagsforklaring uden at betyde, at den gælder under alle forhold. Datatypen alene afgør heller ikke sagen; se kvalitative og kvantitative metoder.
Øvelser: korrelation eller kausalitet?
- Elever, der læser flere timer lektier, har i gennemsnit højere karakterer. Hvilke andre faktorer kunne påvirke begge dele?
- En forsøgsgruppe af planter får mere lys end en kontrolgruppe. Hvilke forhold skal være sammenlignelige, før du kan vurdere lysets betydning?
- Issalg og solskoldninger stiger samtidig. Tegn en mulig forklaring med en tredje variabel.
Svar til øvelserne
Motivation og tidligere fagligt niveau kan eksempelvis påvirke både lektietid og karakterer. I planteforsøget er blandt andet art, startstørrelse, vanding, jord, temperatur og forsøgsvarighed relevante. I iseksemplet kan sommervejret påvirke både issalg og ophold i solen.
Prøv til sidst at forklare begreberne uden at læse op. Hvis du både kan beskrive mønstret i data og foreslå andre mulige årsager, bruger du forskellen aktivt.
