Contoh nyata dari Korelasi dikacaukan dengan Penyebab


17

Saya mencari kasus spesifik dan nyata di mana hubungan sebab akibat disimpulkan secara tidak tepat dari bukti korelasi.

Secara khusus, saya tertarik pada contoh yang memenuhi kriteria berikut:

  • Keberadaan hubungan sebab akibat diterima sebagai fakta yang cukup luas untuk memiliki efek penting (pada kebijakan publik, wacana, keputusan individu, dll.).
  • Hubungan itu disimpulkan semata-mata atas dasar bukti korelatif (mungkin seiring dengan adanya mekanisme kausal yang koheren tetapi tidak terbukti).
  • Kausalitas telah dipalsukan secara objektif atau setidaknya dipertanyakan.

Dua contoh yang muncul di benak saya tidak cukup ideal:

  1. Asupan natrium dan tekanan darah: Seperti yang saya pahami, sejak saat itu telah ditentukan bahwa asupan garam hanya meningkatkan tekanan darah pada individu yang sensitif terhadap natrium. Adanya hubungan kausal yang valid (meskipun tidak cukup yang awalnya diterima) membuat contoh ini kurang menarik.
  2. Vaksin dan autisme: Saya mungkin memiliki latar belakang yang salah, tetapi saya percaya tautan ini diperkirakan berdasarkan korelasi dan bukti eksperimental (penipuan). Contoh ini dilemahkan oleh fakta bahwa ada bukti langsung (palsu).

Catatan: Saya telah melihat pertanyaan serupa ini:

Contoh untuk mengajar: Korelasi tidak berarti sebab-akibat

Pertanyaan saya berbeda terutama karena berfokus pada contoh nyata, dunia nyata dan bukan pada contoh di mana hubungan sebab akibat jelas tidak ada (misalnya, berat dan keterampilan musik).


4
Di kota besar di musim panas, tingkat pembunuhan berkorelasi positif dengan tingkat konsumsi es krim.
ttnphns

1
Salah satu kriteria Anda adalah "Kausalitas telah dipalsukan secara objektif atau setidaknya dipertanyakan." IMO itu terlalu kuat. Korelasi yang diestimasi adalah estimator yang bias dari efek kausal, dengan asumsi beberapa faktor perancu. Umumnya orang tertarik pada besarnya efek, bukan hanya keberadaan mereka.
generic_user

1
Juga, saya bertaruh bahwa dengan ukuran sampel yang cukup besar, RCT yang mengalokasikan es krim secara acak di kota-kota panas akan menemukan efek negatif dari konsumsi es krim pada kemungkinan melakukan pembunuhan.
generic_user

@ ACD terlibat dalam perjanjian untuk membuat eksplisit bahwa tentu saja RCT masih memiliki ancaman terhadap inferensial kausal.
Alexis

1
@ttnphns Itu adalah contoh yang baik dari jenis yang saya maksudkan untuk mengecualikan dengan kriteria saya, kecuali jika Anda menyarankan bahwa kepercayaan yang salah bahwa konsumsi es krim menyebabkan pembunuhan memiliki efek penting pada perilaku manusia. ;-)
Aaron Novstrup

Jawaban:


11

Selama bertahun-tahun penelitian epidemiologis pengamatan besar ditafsirkan oleh para peneliti menggunakan kriteria heuristik gaya Bradford Hill untuk menyimpulkan sebab-akibat menegaskan bukti bahwa terapi penggantian hormon (HRT) pada wanita menurunkan risiko penyakit jantung koroner, dan itu hanya setelah dua uji coba acak skala besar menunjukkan bahwa sebaliknya, bahwa pemahaman klinis dan rekomendasi klinis mengenai HRT berubah. Ini adalah kisah peringatan klasik dalam epidemiologi kontemporer yang dapat Anda baca di buku teks (misalnya, Epidemiologi Leon Gordis ), dan pada artikel Wikipedia tentang pepatah klasik David Hume .

Yang mengatakan, kriteria The Bradford Hill belum dipahami sebagai keadaan seni untuk sementara waktu sekarang, dengan inferensial kausal kontrafaktual ( a la Judea Pearl , Jamie Robbins , Sander Greenland , dan lainnya) menjadi pengangkat yang sangat berat. Dimungkinkan untuk membuat kesimpulan kausal yang cukup kuat tanpa melakukan eksperimen acak, menggunakan, misalnya, variabel instrumental , pengacakan Mendel , dll. (Yang baik untuk sains, karena kita tidak dapat melakukan eksperimen acak pada banyak, jika tidak sebagian besar, dari alam semesta ).


2
Ini adalah jawaban yang bagus dan persis seperti yang saya harapkan. Namun, saya ingin menunjukkan kepada penjawab potensial lainnya bahwa contoh yang baik tidak perlu menyangkut kesimpulan yang dibuat oleh peneliti / ahli statistik (dan, khususnya, tidak hanya mereka yang menggunakan metode terbaik yang tersedia). Sebaliknya, contoh yang sama-sama baik dapat menggambarkan kasus di mana media, publik, atau kelompok lain menarik kesimpulan kausal yang tidak valid dari bukti korelatif (selama inferensi yang salah ini memiliki efek penting).
Aaron Novstrup

4

Bukan topik yang paling glamor, tetapi Nora T. Gedgaudas (Bab 18) merangkum dengan sangat baik perubahan haluan dalam temuan tentang peran serat dalam mencegah kanker usus besar. Serat, yang dipikirkan secara luas selama 25 tahun sebagai faktor pencegahan yang penting (berdasarkan korelasi), ditunjukkan melalui Studi Perawat dengan subjek 88.000 subjek yang berusia 16 tahun sebagai hanya berkorelasi dengan faktor-faktor lain yang penting. Ini termasuk konsumsi buah-buahan dan sayuran yang mengandung nutrisi tertentu (yang mengurangi risiko) dan daging merah dan terutama daging merah olahan (yang meningkatkan risiko). Penulis mencatat bahwa mitos itu "tampaknya terus bertahan, meskipun demikian," bahkan di kalangan dokter. Seperti yang sering terjadi, begitu sebuah pola keluar, sangat sulit untuk menghapus ide itu.


2
Peringatan: Studi Perawat adalah desain observasional juga. Meskipun ada yang strategi untuk memperkuat kausal kesimpulan, data dari studi ini juga didasarkan pada korelasi.
Alexis

Meskipun jawaban Anda memberikan contoh yang baik di mana kontrol eksperimental mengungguli yang statistik, itu tidak selalu menimbulkan pertanyaan kontrol statistik murni seperti yang digunakan dalam kasus lain. Saya pikir di sini kontrol statistik sesuai dengan tagihan.
rolando2

1
Statistik tidak dapat "mengendalikan" untuk bias sebab akibat: itu adalah fungsi dari desain penelitian. Setiap faktor perancu potensial yang ditambahkan ke model itu sendiri dapat mengacaukan hubungan sebab akibat yang Anda coba perkirakan. Inferensial kausal melalui desain penelitian dilakukan melalui identifikasi kausal (yang dijamin dengan penugasan acak); tidak ada metode estimasi atau inferensi yang dapat menyediakannya.
Alexis

3

Pellagra

Menurut bab buku ini , pellagra , penyakit yang ditandai oleh pusing, kelesuan, sariawan, muntah, dan diare berat yang telah mencapai proporsi epidemi di AS Selatan pada awal 1900-an, secara luas dikaitkan dengan patogen yang tidak diketahui berdasarkan korelasi dengan kondisi hidup yang tidak sehat. Joseph Goldberger berperan penting dalam menunjukkan secara eksperimental bahwa penyakit itu, pada kenyataannya, disebabkan oleh pola makan yang buruk, yang (bersama dengan kondisi hidup yang tidak bersih) berasal dari kemiskinan yang meluas di postbellum Selatan. Karyanya sebagian besar diabaikan sampai akhir 1930-an, ketika para peneliti akhirnya membuktikan bahwa penyakit ini disebabkan oleh kurangnya niacin.

Pelatihan Literasi Mata

Dari sumber yang sama - korelasi antara kemampuan membaca (dalam) dan gerakan mata yang tidak menentu selama membaca diambil sebagai bukti hubungan sebab akibat dalam arah yang salah , dan "program pelatihan gerakan mata" diterapkan untuk meningkatkan kemampuan baca tulis. Ini tidak efektif, dan penelitian selanjutnya menunjukkan bahwa kausalitas berjalan berlawanan arah; kesulitan membaca menyebabkan regresi dan fiksasi yang diamati pada pembaca yang buruk.


Pekerjaan seperti apa nantinya?
rolando2

@ rolando2 Saya tidak tahu, sayangnya. Bab buku itu mengutip "Olsen & Forsberg, 1993" untuk klaim itu, yang dapat saya tebak adalah bab ini dari Proses Visual dalam Membaca dan Membaca Cacat . Makalah ini juga mendukung klaim.
Aaron Novstrup

Ngomong -ngomong, siapa pun yang mengenali buku ini , saya ingin mengganti tautannya dengan kutipan yang tepat. Tautan tersebut tampaknya berasal dari halaman kursus psikologi dan suatu hari kemungkinan akan hilang.
Aaron Novstrup

1
Pada baris yang sama orang mungkin menyebutkan malaria yang seperti namanya diyakini disebabkan oleh udara buruk berdasarkan korelasi dengan daerah dataran rendah dan rawa-rawa (lihat artikel Wikipedia en.wikipedia.org/wiki/Malaria )
mdewey
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.