Причинно следственной связи примеры: как научиться правильно оценивать причины и следствия

Причинно-следственная связь при несчастном случае на производстве

]]]]]]]]>]]]]]]>]]]]>]]>

Подборка наиболее важных документов по запросу Причинно-следственная связь при несчастном случае на производстве (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).

Судебная практика: Причинно-следственная связь при несчастном случае на производстве Открыть документ в вашей системе КонсультантПлюс:
Апелляционное определение Свердловского областного суда от 21.05.2020 по делу N 33-7006/2020
Категория спора: Защита прав и интересов работника.
Требования работника: 1) О взыскании компенсации морального вреда; 2) Об обязании внести изменения в акт о несчастном случае на производстве.
Обстоятельства: С работником произошел несчастный случай на производстве, при проведении экспертизы указано на допущенную в акте о несчастном случае ошибку, поскольку диагноз установлен позднее составления акта, ошибка не исправлена, что влечет за собой необходимость прохождения работником дополнительных медицинских обследований, получение им необходимой медицинской помощи откладывается и увеличивается срок реабилитации.
Решение: 1) Удовлетворено; 2) Отказано.
Процессуальные вопросы: О возмещении расходов на проведение экспертизы — удовлетворено.Доводы ответчика о недоказанности прямой причинно-следственной связи между несчастным случаем на производстве и имеющимся у истца заболеванием не свидетельствуют об отсутствии оснований для возмещения истцу морального вреда, поскольку заключением судебно-медицинской экспертизы достоверно подтверждено, что несчастный случай на производстве, произошедший исключительно по вине ответчика, не обеспечившего безопасных условий труда, повлек за собой не только повреждение здоровья в виде , но и спровоцировал усиление клинических проявлений ранее имевшегося у истца заболевания — , повлек за собой длительный болевой синдром и .

Статьи, комментарии, ответы на вопросы: Причинно-следственная связь при несчастном случае на производстве Открыть документ в вашей системе КонсультантПлюс:
Путеводитель по кадровым вопросам. Дисциплинарные взыскания. Замечание, выговор, увольнениеЕсли тяжкие последствия (несчастный случай на производстве, авария, катастрофа) не наступили, но действиями работников была создана угроза их возникновения, то в акте нужно указать, какие именно последствия могли наступить и на основании чего сделан данный вывод. При этом необходимо раскрыть причинно-следственную связь между действием (бездействием) работника и возможными последствиями. Открыть документ в вашей системе КонсультантПлюс:
Статья: Вопросы соотношения вины и причинно-следственной связи в деликтном праве
(Евстигнеев Э.А.)
(«Вестник гражданского права», 2020, N 1)Уменьшение стандарта доказывания причинно-следственной связи из-за наличия определенной формы вины в практике различных правопорядков встречается реже, чем влияние форм вины на распределение бремени доказывания причинно-следственной связи. Однако такие примеры нормативного стандарта доказывания все же имеют место. В частности, во французском правопорядке умышленное причинение вреда приводит к уменьшению стандарта доказательства наличия причинно-следственной связи. Подобная нормативная позиция реализована на уровне Кассационного суда . Достаточно очевидно зависимость стандарта доказывания причинно-следственной связи от форм вины проявляется в Дании. В области экологического вреда действует правило, в соответствии с которым чем серьезнее вина причинителя вреда, тем менее строгие требования предъявляются к доказыванию причинно-следственной связи. Такой же подход в Дании действует применительно к закону, касающемуся несчастных случаев на производстве, и к случаям проявления медицинской халатности . Такая особенность датского правопорядка основана на высокой ориентированности всех скандинавских правопорядков на общее право. В свою очередь, для общего права характерна выработка нормативных стандартов доказывания, т.е. стандартизированных подходов к допустимому уровню сомнений при установлении спорных обстоятельств .

Нормативные акты: Причинно-следственная связь при несчастном случае на производстве Открыть документ в вашей системе КонсультантПлюс:
ФСС РФ от 03.07.2001 N 02-18/07-4808
В соответствии с письмом Фонда от 22.12.2000 N 02-08/07-2941П «Об обеспечении взаимодействия Федеральной инспекции труда с Фондом социального страхования Российской Федерации по вопросам расследования несчастных случаев на производстве и создания единой системы учета страховых случаев и их анализа» государственной инспекции труда предложено обеспечить участие представителя исполнительного органа Фонда в работе комиссий по расследованию групповых несчастных случаев на производстве, тяжелых несчастных случаев на производстве и несчастных случаев со смертельным исходом. Иногда представители исполнительных органов Фонда приглашаются для работы в комиссии по расследованию, но не включаются в ее состав. В этом случае не следует отказываться от участия в расследовании, так как основная задача представителя исполнительного органа Фонда установить причинно — следственную связь повреждения здоровья застрахованного и несчастного случая на производстве, произошедшего с ним при исполнении обязанностей по трудовому договору.

О пагубности ошибок-причинно-следственной связи | Социальный Компас

Print PDF

В продолжение темы аберраций убеждения и познания у учёных и дилетантов — смешные примеры про сабж из замечательной книги Тома Каткарта и Дэн Клейна в «Аристотель и муравьед едут в Вашингтон. Понимание политики через философию и шутки» (М.: АНФ, 2007). Всеми ими можно бы иллюстрировать явления когнитивного диссонанса, но поскольку, как замечают авторы люди, особенно же политики журналисты и т. д. говорящие головы готовы скорей быть лжецами, чем глупцами, и поскольку о людях следует думать лучшее, пока не показано обратное, в книге это представлено как ошибки и сбои понимания, или направленная ложь, не самообман.

«Типичный пример феномена «ищем там, где светлее» – ежедневные репортажи СМИ с фондовой биржи. Они призваны оценивать состояние экономики в каждый конкретный день, однако любой экономист вам скажет, что в них отражается лишь часть общей экономической картины.

Никто, например, не рапортует нам, сколько американцев ежедневно теряют работу или оказываются ниже черты бедности. Причем никаких политических причин скрывать эту информацию не существует [но есть социальные: власть денег и угнетение труда капиталом формируют удобную для себя реальность во всём обществе. Это называется «гегемония», по Грамши.

Прим.публикатора]: просто эти цифры недоступны в ежедневном режиме, и измерить соответствующие показатели куда сложнее. Значительно проще читать циферки на громадном табло Нью Йоркской фондовой биржи. Там ведь гораздо светлее!…

Cum hoc ergo propter hoc (Вместе с этим – значит вследствие этого)

Вокруг понятий причины и следствия сформировалась целая ветвь логических уловок. Первая из них, описанная еще Аристотелем, известна как «вместе с этим – значит вследствие этого». Но на латыни эта фраза звучит лучше –

cum hoc ergo propter hoc, хотя, если вспомнить, Аристотель был греком. Чудны дела твои, Господи!

Вот пример:

Самыми быстрыми темпами детская бедность растет в тех штатах, которые платят самые высокие социальные пособия. А самый низкий рост или даже снижение этого показателя зарегистрированы там, где власти ограничивают материальную помощь семьям с детьми иждивенцами.

– Гарри Бауэр, консервативный лоббист, президент Совета по семейным исследованиям (Family Research Council), старший вице президент некоммерческой организации «Главное внимание – семье» (Focus on the Family), утверждая, что социальные пособия стимулируют детскую бедность

В данном случае мистер Бауэр совершает фундаментальную ошибку, не принимая во внимание возможность третьего фактора, – такого как экономическое положение штатов, где уровень социальных выплат и детской бедности колебался. При более подробном рассмотрении оказывается, что в штатах, где росли объемы социальных выплат и детская бедность, средние доходы населения падали или оставались на прежнем уровне; там же, где пособия и детская бедность увеличивались медленнее всего, был зарегистрирован стабильный рост средних доходов. Иными словами, и на социальные пособия, и на уровень детской бедности повлиял экономический кризис. Мы уверены, что мистер Бауэр сожалеет о своем ошибочном рассуждении относительно всех семей Америки.

Однако мистер Бауэр – не единственный, совершивший ошибку cum hoc ergo propter hoc . Вспомним хотя бы часто повторяемое утверждение президента Буша, полагающего, что война в Ираке оберегает нашу страну от нападений:

Командующий коалиционными силами в Ираке, который является также старшим офицером этой базы, генерал Джон Вайнс, недавно отлично сформулировал эту мысль:

«Либо мы будем иметь дело с экстремистами и террористами за границей, либо они придут в наш дом, и нам придется разбираться с ними здесь».

– Президент Джордж Буш, июнь 2005 г.

Ну, и как же это работает? Может, террористы слишком заняты? Мы уверены, что «Аль Каида» сможет найти еще девятнадцать человек, если решит, что дело выгорит. В любом случае, сложно с уверенностью утверждать, что именно война в Ираке спасает Америку от новых атак. Это как если бы кто нибудь покрасил свой дом в розовый цвет, чтобы уберечь его от нападения драконов: если бы вы назвали его безумцем, он бы мог заметить, что его тактика до сих пор оказывалась вполне эффективной.

Причина и бедствие

Мелвин умирал. Он был стар, очень стар. Он много страдал в жизни. Труди, его жена, сидела на краю кровати, отирая ему лоб. Они прожили вместе больше семидесяти лет.

– Труди! – обратился Мелвин к жене. – Ты помнишь годы депрессии, когда нам едва едва хватало денег на то, чтобы выжить?

– Конечно, помню! – отозвалась та. – Ведь я была с тобой все эти годы.

– А помнишь голодные годы после войны, когда я работал на двух работах и еще успевал учиться?

– Разумеется, помню! Я и тогда была с тобой, любимый!

– А когда я потерял работу, ты ведь тоже была рядом?

– Конечно, милый! Я всегда была рядом с тобой. Всегда!

Мелвин, замолчав на несколько мгновений, пристально поглядел на свою любящую супругу.

– Знаешь, Труди… Я думаю, ты приносила мне несчастья!

Post hoc ergo propter hoc (После этого – значит вследствие этого)

Post hoc ergo propter hoc – близкий родственник cum hoc ergo propter hoc . Об их родственных отношениях несложно догадаться по общей фамилии. Аргумент post hoc утверждает, что если событие Б произошло после события А, то именно А является его причиной.

Одна из областей, где легко можно встретить подобные аргументы, – царство статистики, некое явление, описанное цифрами, предстает как причина другого явления, также выраженного в цифрах. В этом ловком приемчике есть своя, особая прелесть: аудиторию завораживает впечатляющая точность статистических данных, и в упоении она даже не замечает, что один набор цифр не имеет никакого отношения к другому:

Десять штатов с самыми низкими расходами на образование в пересчете на одного ученика четыре – Северная Дакота, Южная Дакота, Теннесси и Юта – фигурируют среди десяти штатов, где учащиеся старших классов показывают наиболее высокие результаты на тестах SAT . При этом в первой десятке штатов по результатам SAT фигурирует лишь один, занявший также место среди десяти штатов с самыми высокими расходами на образование в пересчете на одного школьника, – Висконсин. Более всего расходует на школьное образование штат Нью Джерси – там расходы достигают небывалой цифры $10 561 на ученика; эту цифру используют учительские профсоюзы по всей стране, добиваясь повышения расходов на образование. Какое же место занял штат Нью Джерси по итогам SAT? Тридцать девятое…

Однако тот факт, что качество школьного обучения… [не зависит от] расходов на образование, не мешает учительским профсоюзам настаивать на том, что деньги здесь – главная переменная. Последняя шаткая линия обороны, которую все еще удерживает наше общественное образовательное лобби, проходит через умы наших сограждан, страдающих от пробелов в образовании.

– Консервативный политический обозреватель Джордж Уилл (Washington Post, 12 сентября 1993 г.)

Прежде чем анализировать аргументацию обозревателя Уилла, мы хотели бы привести слова совсем других людей:

Существует три вида лжи: ложь, наглая ложь и статистика.

– Бенджамин Дизраэли, раздражительный британский премьер министр

79,48 % статистических данных делается на коленке.

– Джон Паулос, профессор математики

Каждый четвертый человек страдает психическим расстройством. Проверьте трех своих друзей: если с ними все в порядке, значит, это вы.

– Рита Мэй Браун, остроумная феминистка

И вот еще цитата – честное слово, последняя:

Статистика – единственная из научных дисциплин, где разные специалисты, пользуясь одними и теми же цифрами, приходят к совершенно разным выводам.

– Эван Эзар, плодовитый автор афоризмов.

Мысль, которую мы пытаемся до вас донести, известна, пожалуй, всем: используя статистические данные, очень легко прийти к неверным выводам (не зря бытует выражение «ложь со статистикой в руках»). Однако далеко не все знают, что прийти к этим неверным выводам позволяет старый добрый софизм: «после этого – значит вследствие этого». Статистические данные, касающиеся явления А, нам представляют в качестве причины явления Б (также подкрепленного статистикой), которое следует за А. Или же, как в случае мистера Уилла, оратор полагает, что цифры указывают на причинно следственную связь, тогда как на самом деле ничего подобного они не демонстрируют. Проблема, разумеется, в том, что два указанных события могут быть вовсе не связаны между собой. Или, как в случае мистера Уилла, статистические данные могут оказаться недостаточными – они не показывают нам полной картины, поскольку в них недостает информации, которая относится как раз к причинно следственной взаимосвязи.

Дебора Линн в Journal of Statistics Education указывает, что мистер Уилл не принял в расчет один существенный фактор, а именно – процент школьников в каждом штате, которые принимали участие в экзамене SAT. На самом деле, большинство государственных колледжей в Северной Дакоте требуют от абитуриентов сдачи другого экзамена – ACT, так что тест SAT сдавало лишь 5% выпускников штата. При этом следует заметить, что среди этих 5% многие собирались поступать в престижные учебные заведения федерального уровня, где требуются результаты SAT. Это ребята, которые достигли значительных успехов в учебе и сочли, что им стоит попытаться замахнуться на большую цель. Для сравнения: в Нью-Джерси SAT сдавали 79% учеников выпускных классов, что, разумеется, дает нам репрезентативную выборку, позволяющую лучше оценить средний уровень школьников. Таким образом, получается, что мы сравниваем итоги сдачи SAT среди наиболее талантливых учеников из Северной Дакоты с результатами, которые продемонстрировали средние учащиеся из Нью-Джерси.

Это все равно что, сравнивая выступление четырех ямайских бобслеистов, представлявших свою страну на Олимпийских играх, со средними результатами бобслеистов США, заключить, что в среднем ямайцы значительно превосходят американцев, и в конечном итоге сделать вывод, что ямайское происхождение увеличивает шансы добиться высоких результатов в бобслее.

«Вот краткие тезисы моего выступления. А вы подберите мне статистику, подтверждающую мои слова»

Рекомендуем прочесть

Анализируем причинно-следственные связи метрик ВКонтакте

Всем привет, меня зовут Анвер, я работаю в команде Core ML ВКонтакте. Одна из наших задач — создавать и улучшать алгоритмы ранжирования для ленты новостей. В этой статье расскажу о том, как можно применять для этого причинно-следственный анализ — чтобы в результате сделать сервис интереснее для пользователей. Поговорим про преимущества такого подхода по сравнению с корреляционным анализом, и я предложу модификации существующих алгоритмов.

Что такое короткие и долгие метрики?

Модели ранжирования пытаются оценить вероятность того, что пользователь повзаимодействует с новостью (постом): задержит на ней внимание, поставит отметку «Нравится», напишет комментарий. Затем модель распределяет записи по убыванию этой вероятности. Поэтому, улучшая ранжирование, мы можем получить рост CTR (click-through rate) пользовательских действий: лайков, комментов и других. Эти метрики очень чувствительны к изменениям модели ранжирования. Я буду называть их короткими.

Но есть и другой тип метрик. Считается, например, что время, проведённое в приложении, или количество сессий пользователя намного лучше отражают его отношение к сервису. Будем называть такие метрики долгими.

Оптимизировать долгие метрики непосредственно через алгоритмы ранжирования — нетривиальная задача. С короткими метриками это делать намного проще: CTR лайков, например, напрямую связан с тем, насколько хорошо мы оцениваем их вероятность. Но если мы знаем причинно-следственные (или каузальные) связи между короткими и долгими метриками, то можем сфокусироваться на оптимизации лишь тех коротких метрик, которые должны предсказуемо влиять на долгие. Я попытался извлечь такие каузальные связи — и написал об этом в своей работе, которую выполнил в качестве диплома на бакалавриате ИТМО (КТ). Исследование мы проводили в лаборатории «Машинное обучение» ИТМО совместно с ВКонтакте.

Ссылки на код, датасет и песочницу

Весь код вы можете найти здесь: AnverK.

Чтобы проанализировать связи между метриками, мы использовали датасет, включающий результаты более чем 6 000 реальных A/B-тестов, которые в разное время проводила команда ВКонтакте. Датасет тоже доступен в репозитории.

В песочнице можно посмотреть, как пользоваться предложенной обёрткой: на синтетических данных.
А здесь — как применять алгоритмы к датасету: на предложенном датасете.

Боремся с ложными корреляциями

Может показаться, что для решения нашей задачи достаточно посчитать корреляции между метриками. Но это не совсем так: корреляция — это не всегда причинно-следственная связь. Допустим, мы измеряем всего четыре метрики и их причинно-следственные связи выглядят так:

Не умаляя общности, предположим, что в направлении стрелки идёт положительное влияние: чем больше лайков, тем больше SPU. В таком случае можно будет установить, что комментарии к фото положительно влияют на SPU. И решить, что если «наращивать» эту метрику, увеличится SPU. Такое явление называют ложной корреляцией: коэффициент корреляции достаточно высокий, но причинно-следственной связи нет. Ложная корреляция проявляется не только у двух следствий одной причины. Из этого же графа можно было бы сделать неверный вывод и о том, что лайки положительно влияют на количество открытий фото.

Даже на таком простом примере становится очевидно, что простой анализ корреляций приведёт к множеству неверных выводов. Восстановить причинно-следственные связи из данных позволяет causal inference (методы вывода связей). Чтобы применить их в задаче, мы выбрали наиболее подходящие алгоритмы causal inference, реализовали для них python-интерфейсы, а также добавили модификации известных алгоритмов, которые лучше работают в наших условиях.

Классические алгоритмы вывода связей

Мы рассматривали несколько методов вывода связей (causal inference): PC (Peter and Clark), FCI (Fast Causal Inference) и FCI+ (похож на FCI с теоретической точки зрения, но намного быстрее). Почитать о них подробно можно в этих источниках:

• Causality (J. Pearl, 2009),
• Causation, Prediction and Search (P. Spirtes et al., 2000),
• Learning Sparse Causal Models is not NP-hard (T. Claassen et al., 2013).

Но важно понимать: первый метод (PC) предполагает, что мы наблюдаем все величины, влияющие на две метрики или более, — такая гипотеза называется Causal Sufficiency. Другие два алгоритма учитывают, что могут существовать ненаблюдаемые факторы, которые влияют на отслеживаемые метрики. То есть во втором случае каузальное представление считается более естественным и допускает наличие ненаблюдаемых факторов :

Все реализации этих алгоритмов представлены в библиотеке pcalg. Она прекрасная и гибкая, но с одним «недостатком» — написана на R (при разработке самых вычислительно тяжёлых функций используется пакет RCPP). Поэтому для перечисленных выше методов я написал обёртки в классе CausalGraphBuilder, добавив примеры его использования.

Опишу контракты функции вывода связей, то есть интерфейс и результат, который можно получить на выходе. Можно передать функцию тестирования на условную независимость. Это такой тест, который возвращает при нулевой гипотезе, что величины и условно независимы при известном множестве величин . По умолчанию используется тест, основанный на частной корреляции. Я выбрал функцию с этим тестом, потому что она используется по умолчанию в pcalg и реализована на RCPP — это делает её быстрой на практике. Также можно передать , начиная с которого вершины будут считаться зависимыми. Для алгоритмов PC и FCI также можно задать количество CPU-ядер, если не нужно писать лог работы библиотеки. Для FCI+ такой опции нет, но я рекомендую использовать именно этот алгоритм — он выигрывает по скорости. Ещё нюанс: FCI+ на данный момент не поддерживает предложенный алгоритм ориентации рёбер — дело в ограничениях библиотеки pcalg.

По итогам работы всех алгоритмов строится PAG (partial ancestral graph) в виде списка рёбер. При алгоритме PC его стоит интерпретировать как каузальный граф в классическом понимании (или байесовскую сеть): ребро, ориентированное из в , означает влияние на . Если ребро ненаправленное или двунаправленное, то мы не можем однозначно его ориентировать, а значит:

• или имеющихся данных недостаточно, чтобы установить направление,
• или это невозможно, потому что истинный каузальный граф, используя только наблюдаемые данные, можно установить лишь с точностью до класса эквивалентности.

Результатом работы FCI-алгоритмов будет тоже PAG, но в нём появится новый тип рёбер — с «о» на конце. Это означает, что стрелка там может как быть, так и отсутствовать. При этом важнейшее отличие FCI-алгоритмов от PC в том, что двунаправленное (с двумя стрелками) ребро даёт понять, что связываемые им вершины — следствия некой ненаблюдаемой вершины. Соответственно, двойное ребро в PC-алгоритме теперь выглядит как ребро с двумя «о» на концах. Иллюстрация для такого случая есть в песочнице с синтетическими примерами.

Модифицируем алгоритм ориентации рёбер

У классических методов есть один существенный недостаток. Они допускают, что могут быть неизвестные факторы, но при этом опираются на ещё одно слишком серьёзное предположение. Его суть в том, что функция тестирования на условную независимость должна быть идеальной. Иначе алгоритм за себя не отвечает и не гарантирует ни корректность, ни полноту графа (то, что больше рёбер сориентировать нельзя, не нарушая корректность). Много ли вы знаете идеальных тестов на условную независимость при конечной выборке? Я нет.

Несмотря на этот недостаток, скелеты графов строятся довольно убедительно, но ориентируются слишком агрессивно. Поэтому я предложил модификацию к алгоритму ориентации рёбер. Бонус: она позволяет неявным образом регулировать количество ориентированных рёбер. Чтобы понятно объяснить её суть, пришлось бы подробно говорить здесь о самих алгоритмах вывода каузальных связей. Поэтому теорию по этому алгоритму и предложенной модификации я приложу отдельно — ссылка на материал будет в конце поста.

Сравниваем модели — 1: оценка правдоподобия графа

Одну из серьёзных трудностей при выводе каузальных связей представляет, как ни странно, сравнение и оценка моделей. Как так вышло? Дело в том, что обычно истинное каузальное представление реальных данных неизвестно. И тем более мы не можем знать его с точки зрения распределения настолько точно, чтобы генерировать из него реальные данные. То есть неизвестен ground truth для большинства наборов данных. Поэтому возникает дилемма: использовать (полу-) синтетические данные с известным ground truth или пытаться обходиться без ground truth, но тестировать на реальных данных. В своей работе я попробовал реализовать два подхода к тестированию.

Первый из них — оценка правдоподобия графа:

Здесь — множество родителей вершины , — совместная информация величин и , а — энтропия величины . На самом деле второе слагаемое не зависит от структуры графа, поэтому считают, как правило, только первое. Но можно заметить, что правдоподобие не убывает от добавления новых рёбер — это необходимо учитывать при сравнении.

Важно понимать, что такая оценка работает только для сравнения байесовских сетей (выхода алгоритма PC), потому что в настоящих PAG (выход алгоритмов FCI, FCI+) у двойных рёбер совсем иная семантика.

Поэтому я сравнил ориентацию рёбер моим алгоритмом и классическим PC:

Модифицированная ориентация рёбер позволила значительно увеличить правдоподобие по сравнению с классическим алгоритмом. Но теперь важно сравнить количество рёбер:

Их стало даже меньше — это ожидаемо. Так что даже с меньшим числом рёбер удаётся восстанавливать более правдоподобную структуру графа! Здесь вы можете возразить, что правдоподобие не убывает с увеличением количества рёбер. Дело в том, что полученный граф в общем случае — это не подграф графа, полученного классическим PC-алгоритмом. Двойные рёбра могут появиться вместо одиночных, а одиночные — изменить направление. Так что никакого рукомашества!

Сравниваем модели — 2: используем подход из классификации

Перейдём ко второму способу сравнения. Будем строить PC-алгоритмом каузальный граф и выбирать из него случайный ациклический граф. После этого сгенерируем данные в каждой вершине как линейную комбинацию значений в родительских вершинах с коэффициентами с добавлением гауссова шума. Идею для такой генерации я взял из статьи «Towards Robust and Versatile Causal Discovery for Business Applications» (Borboudakis et al., 2016). Вершины, которые не имеют родителей, генерировались из нормального распределения — с параметрами, как в наборе данных для соответствующей вершины.

Когда данные получены, применяем к ним алгоритмы, которые хотим оценить. При этом у нас уже есть истинный каузальный граф. Осталось только понять, как сравнивать полученные графы с истинным. В «Robust reconstruction of causal graphical models based on conditional 2-point and 3-point information» (Affeldt et al., 2015) предложили использовать терминологию классификации. Будем считать, что проведённое ребро — это Positive-класс, а непроведённое — Negative. Тогда True Positive () — это когда мы провели то же ребро, что и в истинном каузальном графе, а False Positive () — если провели ребро, которого в истинном каузальном графе нет. Оценивать эти величины будем с точки зрения скелета.

Чтобы учитывать направления, введём для рёбер, которые выведены верно, но с неправильно выбранным направлением. После этого будем считать так:

Затем можно считать -меру как для скелета, так и с учётом ориентации (очевидно, в этом случае она будет не выше такой меры для скелета). Однако в случае PC-алгоритма двойное ребро добавляет к только , а не , потому что одно из реальных рёбер всё-таки выведено (без Causal Sufficiency это было бы неверно).

Наконец, сравним алгоритмы:

Первые два графика — это сравнение скелетов PC-алгоритма: классического и с новой ориентацией рёбер. Они нужны, чтобы показывать верхнюю границу -меры. Вторые два — сравнение этих алгоритмов с учётом ориентации. Как видим, выигрыша нет.

Сравниваем модели — 3: выключаем Causal Sufficiency

Теперь «закроем» некоторые переменные в истинном графе и в синтетических данных после генерации. Так мы «выключим» Causal Sufficiency. Но сравнивать результаты надо будет уже не с истинным графом, а с полученным следующим образом:

• рёбра от родителей скрытой вершины будем проводить к её детям,
• всех детей скрытой вершины соединим двойным ребром.

Сравнивать уже будем алгоритмы FCI+ (с модифицированной ориентацией рёбер и с классической):

И теперь, когда Causal Sufficiency не выполняется, результат новой ориентации становится значительно лучше.

Появилось ещё одно важное наблюдение — алгоритмы PC и FCI строят на практике почти одинаковые скелеты. Поэтому я сравнил их выход с той ориентацией рёбер, которую предложил в своей работе.

Получилось, что алгоритмы практически не отличаются по качеству. При этом PC — шаг алгоритма построения скелета внутри FCI. Таким образом, использование алгоритма PC с ориентацией, как в FCI-алгоритме, — хорошее решение, чтобы увеличить скорость вывода связей.

Вывод

Сформулирую кратко, о чём мы поговорили в этой статье:

1. Как задача вывода каузальных связей может возникнуть в крупной IT-компании.
2. Что такое ложные корреляции и как они могут мешать Feature Selection.
3. Какие алгоритмы вывода связей существуют и используются наиболее часто.
4. Какие трудности могут возникать при выводе каузальных графов.
5. Что такое сравнение каузальных графов и как с этим бороться.

Если вас заинтересовала тема вывода каузальных связей, загляните и в другую мою статью — в ней больше теории. Там я подробно пишу о базовых терминах, которые используются в выводе связей, а также о том, как работают классические алгоритмы и предложенная мной ориентация рёбер.

Волки установили причинно-следственные связи лучше собак

Game of Thrones / HBO 2011

Способности животных к выявлению причинно-следственных связей ухудшается в процессе одомашнивания. К такому выводу пришли европейские ученые, наблюдавшие за тем, как в ходе эксперимента волки и собаки реагировали на данные им подсказки о местонахождении угощения. Исследователи выяснили, что волки понимают подсказки, требующие умения оперировать причинными связями, на 20 процентов лучше, чем собаки. Статья опубликована в журнале Scientific Reports.

В процессе одомашнивания животные приспосабливаются к новым для себя условиям. Это может повлиять на их физические и когнитивные способности: например, домашние собаки лучше других животных способны распознать коммуникативные подсказки, которые человек подает голосом или взглядом. Собаки также выучивают такие команды быстрее, чем волки, выращенные в неволе. До сих пор, однако, не проводились систематические исследования того, как жизнь в неволе влияет на поведение волков по сравнению с собаками. Именно поэтому не было ясно, что больше влияет на способность разных животных следовать различным подсказкам: многовековой процесс одомашнивания или индивидуальное развитие.

Авторы новой работы исследовали способности собак и волков, которые должны были принимать решение о местонахождении угощения на основе различных подсказок. В эксперименте участвовали 12 волков, живущих в неволе, 14 собак, живущих в стае, и 12 домашних собак. Исследование волков и собак, выросших в одинаковых условиях, позволило ученым изучить влияние долгого процесса одомашнивания на понимание различных подсказок.

Во время эксперимента каждую особь подводили к специальному столу, за которым сидел исследователь, отделенный от животного металлической сеткой. На столе между исследователем и животным стояли два непрозрачных герметичных контейнера, в одном из которых находилось угощение (кусочки колбасы).

Пример экспериментального условия

Lampe et al. / Scientific Reports 2017

Ученые следили за поведением волка или собаки в ответ на одну из подсказок о местонахождении еды:

• коммуникативную: исследователь налаживал с животным визуальный контакт и затем смотрел или указывал на контейнер с угощением;

• поведенческую: исследователь тянулся за пустым контейнером, открывал его, ставил обратно с грустным выражением лица, а затем брал контейнер с угощением. Визуальный контакт при этом налажен не был;

• причинно-следственную: исследователь тряс оба контейнера по очереди (в контейнере с угощением для дополнительного шума были положены камешки) или представлял животному две деревянных фигуры (одну выпуклую, с угощением, а вторую — плоскую), не налаживая визуальный контакт.

Каждая особь проходила эксперимент индивидуально. Подсказка считалась правильно понятой, когда животное тянулось за нужным контейнером. В качестве контрольного условия ученые также проверили реакцию животных на представленные им две деревянные фигурки, за одной из которых находилось угощение.

В результате удалось выяснить, что животные из всех трех групп одинаково хорошо понимают коммуникативные подсказки: в среднем волки и собаки из обеих групп правильно определяли местонахождение угощения, основываясь на визуальном контакте и указании на контейнер, в 70 процентах случаев. Поведенческие подсказки оказались для всех одинаково непонятны: животные определяли нужный контейнер меньше чем в половине случаев. Причинно-следственные подсказки хорошо понимали только волки: они определяли правильный контейнер в 70 процентах случаев, тогда как домашние собаки — в 50 процентах, а собаки из стаи — в 40 процентах случаев.

Процент правильно понятых подсказок среди особей из разных групп. Слева направо: коммуникативная подсказка, поведенческая подсказка, причинно следственная подсказка, контрольное условие. По интенсивности серого цвета: домашние собаки, собаки, живущие в стае, волки.

Lampe et al. / Scientific Reports 2017

Основываясь на полученных данных, ученые пришли к выводу, что способность животных понимать коммуникативные подсказки, данные человеком, и следовать им, развилась не в процессе одомашнивания: волки, живущие в неволе, смогли быстро адаптировать свое поведение в человеческом окружении. Однако одомашнивание, по мнению ученых, отрицательно повлияло на способность животных выстраивать причинно-следственные связи: волки, обычно живущие в дикой природе, уделяют больше внимания слуховым и визуальным подсказкам, так как это необходимо для поиска пищи и выявления опасности. Также ученые отмечают, что для проведения дальнейших исследований и выявления точных закономерностей необходимо будет увеличить число животных из каждой группы.

Биологи часто изучают влияние процесса одомашнивания на поведение животных. Так, здесь вы можете прочитать о том, как домашние козы научились просить помощи у людей. Также ранее мы писали о процессе одомашнивания кур, который занял всего шесть поколений.

Елизавета Ивтушок

о корреляции и причинно-следственной связи в аналитике продукта. Читайте на Cossa.ru

Корреляция не подразумевает причинно-следственную связь. Для аналитика эта мысль покажется банальной, однако на практике люди часто принимают решения, забывая об этом правиле.

Посчитать корреляцию просто — порой так и тянет сделать интуитивные выводы о причинно-следственной связи между признаками. Я искренне надеюсь, что в будущем читатель, надумав провести «очевидную» стрелочку от корреляции к причинно-следственной связи, одёрнет себя и подумает снова.

Что такое корреляция?

«Википедия» говорит: корреляция — это статистическая взаимосвязь двух или более случайных величин. При этом изменения значений одной или нескольких из этих величин сопутствуют систематическому изменению значений другой или других величин.

Мы рассматриваем, как правило, две величины, имея по каждой несколько значений. Допустим, мы рассматриваем показатели однодневного удержания и дохода по проекту за каждый день в течение двух месяцев.

График однодневного удержания и дохода за два месяца

Как продвигать финансовые проекты в интернете?

Спецпроект о цифровых инструментах, которые помогают банкам, стартапам и другим финкомпаниям. Тексты экспертов и ничего лишнего:

• Какие инструменты и подходы использовать для маркетинга;
• Как распределить рекламный бюджет и настроить воронку продаж;
• Какие каналы пора освоить, пока этого не сделали конкуренты;
• Как развиваться и адаптировать рекламу под горячий рынок финуслуг.

Всё про диджитал для «финансов» →

Реклама

Мы смотрим, как ведут себя эти величины. Корреляция — мера схожести их поведения:

• если они одинаково скачут в одну и ту же сторону изо дня в день, то корреляция будет близка к 1;

• если они постоянно скачут в разные стороны, и уменьшению одной метрики соответствует увеличение другой, то корреляция будет близка к −1;

• а если их поведение выглядит независимым относительно друг друга, то корреляция близка к 0.

Значение коэффициента корреляции изменяется в интервале [-1;1]. Допустим, корреляция равна 1 (или близка к 1). Означает ли это, что, увеличив один показатель, вы автоматически увеличите другой?

Нет.

В нашем примере (на картинке выше) корреляция составляет 9% — то есть она отсутствует. Значит ли это, что, дабы увеличить доход, мы вольны делать всё что угодно, но рост однодневного удержания нам точно не поможет?

Нет.

Корреляция — это одна из разновидностей связи, но ей совершенно не обязательно быть причинно-следственной. В то же время отсутствие корреляции между двумя величинами ещё не значит, что между ними нет связи. Зависимость может иметь сложный нелинейный характер, который корреляция не выявляет.

Давайте рассмотрим, почему корреляция не означает причинно-следственную связь.

Третья переменная

Канонический пример: положительная корреляция между количеством путешествий на счету школьника и его успеваемостью. Выходит, чтобы ваш ребёнок стал отличником, вам нужно собрать последние средства и срочно отправить его в путешествие.

И снова нет.

Путешествия — дело недешёвое, и для того, чтобы ребёнок много путешествовал, у родителей должны быть деньги. Если у родителей есть деньги, то, скорее всего, у них достаточно высокий уровень образования. А у образованных родителей, как правило, образованные дети. Сами путешествия тут ни при чём. Появились две дополнительные переменные, которых не было в исходном сообщении: уровень образования и доход родителей. А значит, у нас целая цепочка положительных корреляций:

путешествия, уровень дохода родителей, уровень образования родителей, успеваемость ребёнка.

И таких примеров масса:

• В странах, где у бо́льшей части населения нет доступа к высшему образованию, продолжительность жизни меньше. Значит ли это, что высшее образование увеличивает продолжительность жизни? Нет. Третья переменная здесь — уровень жизни в стране, он влияет и на продолжительность жизни, и на доступность высшего образования.

• Рассматривая пожары в конкретном городе, можно заметить высокую корреляцию между ущербом от пожара и количеством пожарных, которые принимали участие в его ликвидации. Третья переменная: размер (уровень) пожара. Если пожар большой, то на него требуется много пожарных, и ущерб от него будет больше, чем от небольшого. Это ни в коем случае не означает, что каждый новый пожарный наносит дополнительный ущерб.

• Есть положительная связь между продажами мороженого в конкретном городе и количеством утонувших.

  Видна положительная корреляция между количеством проданных рожков мороженого и числом утопленников в конкретном городе.

  Съешь мороженое — утонешь? Нет. Третья переменная здесь — температура на улице. Когда жарко, люди покупают мороженое. А ещё люди купаются.

• При обследовании 33 хирургов и хирургов-ординаторов выяснилось, что те из них, кто чаще и лучше играют в видеоигры, лучше справляются и с тестовой лапароскопической операцией на специальном тренажёре. Авторы делают из этого вывод, что медицинским школам стоит задуматься об использовании видеоигр в обучении. Вывод неправильный: третьей переменной здесь является уровень зрительно-моторных навыков. Хирурги, с хорошими зрительно-моторными навыками, используют их и в играх, и в работе. Обладая такими навыками от природы, они, вероятно, становятся хорошими хирургами.

• Наконец, важное научное открытие: почти 100% людей, которые ели огурцы, через сто лет окажутся мертвы. Огурец — медленный убийца! (Третью переменную найдите сами.)

  Огурцы убивают, листаем дальше

Случайная корреляция

Посмотрите на этот график:

Очень высока корреляция между количеством людей, утонувших в бассейнах, и количеством фильмов, в которых снялся Николас Кейдж

Выходит, чтобы не утонуть, надо сперва проверить уровень продаж мороженого, а затем посмотреть, в скольких фильмах за год снялся Николас Кейдж!

Николас Кейдж старается принять мысль, что корреляция не подразумевает причинно-следственную связь

А вы не думали, что корреляция между двумя показателями может быть случайной?

Вот ещё один пример, в котором корреляция доведена до абсурда: можно проследить путь от детской аллергии в Австралии до формы дорожных знаков.

К слову, есть интересный инструмент от Google Trends: вы рисуете произвольную кривую, а система выдаёт соответствующий график поисковых запросов:

Или вот ещё один пример: доля браузера Internet Explorer в США и количество убийств в США.

Впрочем, здесь-то как раз всё объяснимо.

Что же делать

То, что сработало для других, не обязательно сработает для вас.

• Если уйдёте из университета, не факт, что создадите Apple.

• Если перепишете туториал, не обязательно увеличите доход.

• Если добавите в название игры слова world, clash, go, это не гарантирует, что игра станет хитом.

Если вы обнаружили связь между двумя показателями, рекомендуем разобраться в деталях: что от чего зависит, что на что влияет (и влияет ли вообще). Из таких взаимосвязей и строится понимание предметной области, её модель в вашей голове.

Если другой продукт провёл A/Б-тест и выяснил, что у красной кнопки больший CTR, чем у зелёной, это не значит, что вам нужно сломя голову менять все кнопки на красные.

Если вы приняли участие в выставке, и после этого приток новых пользователей увеличился на 30%, не спешите подавать заявку на следующую выставку. Лучше детально разобраться в причинах — быть может, дело в сезонности.

Случай из практики

В одной из игр средний доход с пользователя (ARPU) растёт от месяца к месяцу. Не самый плохой сигнал, согласитесь. Параллельно с этим разработчики ежемесячно замеряют Net Promoter Score, чтобы оценить лояльность игроков.

И вот интересный факт: NPS со временем падает! Доход растёт, а лояльность падает.

Чем менее лояльны пользователи, тем больше они платят? Чтобы увеличить доход, надо уменьшить лояльность? Конечно же, нет.

Детализируем NPS по сегментам пользователей в зависимости от срока в игре. Оказывается, в опросе участвуют прежде всего новички. Многие из них вообще не задумывались о том, чтобы платить. Платят другие игроки — давно сформированная база активных пользователей, которые выражают свою лояльность не десяточкой в опросе, а рублём, лучшей из наград.

Поэтому вместо того, чтобы делать ложное умозаключение о причинно-следственной связи NPS и денег, лучше просто пойти и разобраться, почему новички месяц от месяца теряют лояльность.

Мнение редакции может не совпадать с мнением автора. Если у вас есть, что дополнить — будем рады вашим комментариям. Если вы хотите написать статью с вашей точкой зрения — прочитайте правила публикации на Cossa.

Анализ причинно-следственных связей • Метрология и стандартизация

Общие сведения

Анализ причинно-следственных связей – это структурированный метод, применяемый для определения возможных причин нежелательного события или проблемы. Он систематизирует возможные влияющие факторы в обобщенные категории таким образом, что позволяет рассматривать все возможные гипотезы. Однако, метод не указывает на фактические причины, поскольку они могут быть определены только посредством фактического свидетельствования и эмпирической проверки гипотез. Информацию представляют в виде диаграммы Исикавы (называемой также «рыбья кость»), иногда – в виде древовидной схемы.

Применение

Анализ причинно-следственных связей позволяет получить структурированное графическое отображение перечня причин конкретного воздействия. Воздействие может быть положительным (цель) или отрицательным (проблема), в зависимости от контекста.

Данный метод применяется для рассмотрения всех возможных сценариев и причин, указанных группой экспертов, и позволяет установить необходимый консенсус в отношении наиболее вероятных причин, которые затем возможно проверить опытным путем или посредством оценивания имеющихся данных. Применение данного метода целесообразно в начале анализе для более широко рассмотрения возможных причин и последующего установления возможных гипотез для дальнейшего формального анализа.

Составление диаграммы причинно-следственных связей целесообразно при необходимости: выявить возможные первоначальные причины конкретного воздействия, проблемы или состояния выделить и соотнести некоторые из взаимосвязей среди факторов, влияющих на конкретный процесс, проанализировать существующие проблемы так, чтобы можно было предпринять корректирующее действие.

Составление диаграммы причинно-следственных связей имеет следующие преимущества: привлечение внимания специалистов, проводящих анализ, к конкретной проблеме; содействие определению первоначальных причин проблемы с применением структурированного подхода;

– содействие сотрудничеству в группе и более полному использованию знаний группы о продукции или процессе;
применение простого для восприятия типа диаграммы для отображения причинно-следственных связей: выявление возможных причин изменений в процессе,
– установление областей, в которых следует собирать данные для дальнейшего изучения.

Анализ причинно-следственных связей может применяться в качестве метода проведения анализа первоначальной причины.

Входные данные

Входными данными для проведения анализа причинно-следственных связей являются компетентность и опыт специалистов или ранее разработанная модель, которая применялась в прошлом

Процесс

Анализ пртинно-следственных связей должен проводиться группой экспертов, компетентных в проблеме, которая требует решения.

Основными этапами проведения причинно-следственного анализа являются:

–    установление воздействия, которое необходимо проанализировать, и заключение его в блок на диа-грамме Воздействие может быть положительным (цель) или отрицательным (проблема), в зависимости от об-стоятельств;
–    определение основных категорий причин, отражаемых в блоках на диаграмме Исикавы. При анализе систем обьнно выделяют следующие категории причин, персонал, оборудование, среда, процессы и др. Катего-рии определяют в соответствии с конкретным контекстом;
–    отображение возможных причин для каждой основной категории с ответвлениями для описания взаимо-связи между ними,
–    продолжение анализа при помощи вопроса «Почему?» или «Чем это вызвано?» для установления связей меяоду причинами,
–    анализ всех ответвлений для обеспечения согласованности и полноты, а также того, что данные пртины ОТНОСЯТСЯ к основном/ воздействию,
– определение наиболее вероятных причин на основании мнения группы и имеющихся свидетельств. Результаты обычно отображают в виде диаграммы Исикавы («рыбьей кости»). Диаграмма Исикавы строится путем подразделения причин на основные категории (представленные линиями, отходящими от «скелета рыбы») с ответвлениями, которые описывают более конкретные причины в данных категориях.
Отображение в виде древовидной схемы аналогично «дереву» неисправностей, но обычно оно строится слева направо, а не сверху вниз. Данный метод не применяется на количественном уровне для определения вероятности основного события, поскольку причины понимаются в большей степени как возможные предрасполагающие факторы, а не отказы с известной вероятностью возникновения.

Диаграммы причинно-следственных связей применяются, главным образом, качественно Допускается предположить, что вероятность возникновения проблемы составляет 1. и распределить вероятности по обобщенным причинам, затем по подпричинам, основываясь на степени доверия их значимости Однако зачастую между предрасполагающими факторами существует взаимосвязь, они способствуют возникновению результата более сложными способами, что делает количественное определение несоответствующим действительности

Выходные данные

Выходными данными причинно-следственного анализа является диаграмма Исикавы или древовидная схема, которая показывает возможные и вероятные причины. Диаграмма требует последующей проверки правильности и практических проверок перед разработкой рекомендаций.

Преимущества и недостатки

Методика имеет следующие преимущества:

–    привлечение компетентных экспертов и их работа в группе;
–    структурированный анализ;
–    рассмотрение всех вероятных предположений;
–    графическое отображение результатов в простой дня восприятия форме;
–    определение областей, в которых требуются дополнительные данные;
–    возможность установления предрасполагающих факторов как для благоприятных, так и для нежелательных результатов. Положительное акцентирование на вопросе может способствовать большей вовлеченности и заинтересованности.

Методика имеет следующие недостатки:

–    группа экспертов может не иметь необходимой компетентности;
–    методика не применяется самостоятельно, для разработки рекомендаций необходимо, чтобы она применялась как часть анализа первоначальной причины;
–    методика предназначена для проведения «мозгового штурма», а не отдельного анализа;
–    разделение причинных факторов на основные категории в начале анализа означает, что взаимосвязи между категориями могут не рассматриваться должным образом, например, отказ оборудования, вызванный ошибкой оператора, или ошибки оператора, вызванные недостатками конструкции.

9.2 Причинная связь

9.2 Причинная связь Умение определять причинно-следственные связи в мире важно. Что связывает причину и следствие невидимо нам (Хьюм). Но мы можем обращать внимание на корреляции, и из них иногда сделать выводы о причинно-следственных связях. Не все корреляции существуют потому что существует причинно-следственная связь.

Корреляции

Утверждения корреляции выражают отношение между двумя свойствами (значениями переменных) в пределах одной совокупности.

	Курильщики	Некурящие
Американские мужчины	51	49
Американские женщины	34	66

Исходя из этих данных, мы утверждаем, что 51% американских мужчины курят и 34% американских женщин курят. Свойство быть Американский мужчина положительно коррелирует со свойством быть курильщиком, и свойство быть американской женщиной отрицательно коррелирует с быть курильщиком.Население здесь — взрослые американцы, и мы сравниваем две переменные: курение и пол; каждая переменная имеет два значения.

A — положительно коррелирует, — B тогда и только тогда, когда процент As среди B больше, чем процент из As среди не-B.

A имеет отрицательную корреляцию с B тогда и только тогда, когда процент As среди B меньше, чем процент из As среди не-B.

A — не коррелирует с B — процент As среди B такой же, как процент As среди не-B.

Оценка корреляций

Предвзятость при оценке корреляций:

Медсестер попросили просмотреть 100 карточек с пациентом. информацию о них, а затем судить, были ли отношения или связь между определенным симптомом и определенным заболеванием. Каждый Карточка показывала, присутствовал ли симптом или отсутствовал, и был ли болезнь присутствовала или отсутствовала. (Смедслунд, 1963)

Вот частота появления симптомов и заболеваний. на 100 пациентов.

	Болезнь	Нет болезней
Признак	37	33
Нет симптомов	17	13

Полученные результаты:

Здесь нет корреляции, хотя 85% медсестры думали, что существует положительная корреляция между симптомом и болезнь.Настоящая / настоящая ячейка была лучшим предсказателем суждения субъекта; высокая цифра в этой камере побудила к положительному суждению.

Обратите внимание, что и для группы симптомов, и для в группе без симптомов примерно столько же больных, сколько и не имеющих болезнь (немного больше, чем нет для обеих групп; 37-33 с симптомом, 17-13 без симптома). Есть ли у тебя болезнь или нет, примерно в два раза больше людей имеют этот симптом, чем не имеют его.

Субъекты склонны смотреть только на избранных ячейки для соответствующей информации.

Другой пример: отвечает ли Бог на молитвы? Многие говорят «да», потому что многие молитвы были успешными. Но что насчет другие клетки?

Другой пример:

Испытуемых спросили, может ли г-н Максвелл, вымышленный человек, которого их попросили представить, что они встретились на вечеринке, был профессором. Им сказали, что он либо профессор, либо руководитель, и что он принадлежал к «Медвежьему клубу». Затем испытуемых спросили, что дополнительная информация, которую они хотели бы получить для вынесения своего суждения. Например, какой процент профессоров на вечеринке являются членами Медвежий клуб, или какой процент руководителей на вечеринке были членами Медвежьего клуба? 89% испытуемых хотели получить первую информацию, но только 54% ​​хотели получить вторую часть, хотя обе части актуальны. (Также актуальна информация о процентном соотношении профессоров на вечеринке.)

Эффекты априорной веры в оценку корреляций:

Клинические психологи иногда используют рисунок человека. тесты, с помощью которых пациенты проектируют аспекты своей личности в рисунки.Большие глаза могут указывать на то, что пациент подозревает другие или параноики; большие плечи могут указывать на озабоченность мужественностью.

Исследования показали, что эти тесты бесполезны как индикаторы личностных качеств. Но в исследованиях, в которых фотографии и метки характеристик связаны способами, которые не отражают корреляции, неподготовленные субъекты по-прежнему заявляют, что «обнаружили», что определенные черты коррелируют с некоторые аспекты чертежей. Даже профессионалы сохраняют доверие в них, узнав об их неэффективности.Подобные результаты применимы к Роршаху тесты. Цитата: «Я знаю, что параноики, похоже, не привлекают больших глаз в исследованиях. лаборатории, но они есть в моем офисе ». (Chapman and Chapman, 1967, 1969)

Предыдущее убеждение может увеличить предвзятость внимания:

Испытуемым рассказывают об эксперименте, в котором Детям школ-интернатов дают определенные комбинации продуктов питания, чтобы увидеть влияют ли они на вероятность простуды. Прежде чем увидеть данные испытуемых просят сформулировать собственные гипотезы. После показа данные, их интерпретации явно находятся под влиянием их собственных гипотез.Несмотря на то, что данные не отражают корреляции, субъекты, которые выдвинули гипотезу заранее, что тип воды (в бутылках или из-под крана) может иметь отношение к простудились также сказали, что видели такую ​​корреляцию, проиллюстрированную в данные. Субъекты, которые, например, выдвинули гипотезу о том, что вид горчицы может вызвать простуду, будет смотреть на данные горчицы / холода и игнорировать горчицу / нет холодные данные.

Причинно-следственные связи:

Причинное обобщение, например, курение вызывает рак легких, не касается конкретного курильщика, а указывает на особый существует связь между свойством курения и свойством заболел раком легких.В качестве причинного утверждения это говорит больше, чем то, что там корреляция между двумя свойствами.

Некоторые причинные условия являются необходимыми условиями: наличие кислорода — необходимое условие горения; в отсутствие кислорода нет горения. «Причина» часто используется в этом смысл, когда стремятся устранить причину, чтобы устранить следствие (что вызывает боль?)

Некоторые причинные условия являются достаточными условиями: при наличии достаточного условия эффект должен наступить (находясь в температурный диапазон R в присутствии кислорода достаточен для горения многих веществ.»Причина» часто используется в этом смысле, когда мы стремимся произвести эффект (что делает этот металл таким прочным?)

В поисках особых обстоятельств: что было причина пожара? Кислород? или матч поджигателя?

Причинами иногда называют состояния INUS в том, что они являются недостаточными, но необходимыми частями ненужного, но Достаточный набор условий для эффекта. Можно сказать, поражая спичку быть причиной его освещения. Предположим, есть некоторый набор условий этого достаточно для освещения спички.Это может включать присутствие кислорода, соответствующие химические вещества в головке спичек и поражении. Можно сказать, что нанесение ударов является необходимой частью этого набора (хотя и недостаточным сам по себе), потому что без выделения среди этих других условий спичку бы не зажгли. Но сам набор хоть и достаточный, но не необходимо, потому что другие условия могли вызвать освещение матча.

Чем причинно-следственные связи отличаются от корреляций?

1.Утверждение о корреляции симметрично в то время как утверждение о причинно-следственной связи асимметрично. Если быть мужчина положительно коррелирует с тем, чтобы быть курильщиком, курение — это также положительно коррелирует с мужчиной. Но если курение вызывает легкое рак, не обязательно, что рак легких вызывает курение.

2. Корреляции касаются реальных популяций. и не законопослушны. Причинно-следственные связи подобны закону в том смысле, что они касаются как гипотетических, так и реальных популяций.Когда говорят, что причина B является причиной B, мы говорим, что было увеличение при заболеваемости А будет увеличиваться заболеваемость В; или если количество случаев A уменьшится, число случаев B также уменьшится. (Если меньше люди курили, рака легких было бы меньше). только для реального населения. Если успех Национальной лиги в Суперкубке просто коррелирует с падением фондового рынка, то нам не следует ожидать изменения на фондовом рынке, чтобы повлиять на исход Суперкубка (или наоборот).

Как можно формировать суждения о причинно-следственных связях на основании утверждений о корреляциях?

Например, имеется сильная положительная корреляция между увеличением количества занятий по половому воспитанию и увеличением в норме гонореи. Предположим, мы заключаем, что увеличение числа занятий по половому воспитанию привело к увеличению заболеваемости гонореей.

(A) Статистическая посылка (выписка насчет корреляции) верно или обоснованно?

(B) Какие существуют альтернативные объяснения?

1.Корреляция может быть случайной или случайно. Увеличение государственного долга положительно коррелирует с увеличение частоты гонореи, но причинной связи нет.

2. Связь может быть ложной, как увеличение количества занятий по половому воспитанию и увеличение числа частота гонореи является следствием одной и той же причины.

3. Причинное направление может быть обратным. Может ли повышение частоты гонореи быть причиной осознанная потребность в большем количестве классов полового воспитания?

4.Причинная связь могла быть больше сложнее, чем следует из вывода. Увеличение количества занятий по половому воспитанию могло вызвать изменение отношения к сексу, что привело к увеличению в сексуальной активности, что привело к увеличению частоты гонореи.

5. Указанная причинно-следственная связь может быть несущественной. по сравнению с другими факторами, ответственными за увеличение гонореи оценивать.

Предлагается ли причинно-следственная связь в приведенных ниже случаях?

Когда-то была сильная положительная корреляция между количеством мулов в штате и зарплатой, выплачиваемой профессорам (чем больше мулов, тем ниже зарплаты).

Существует сильная положительная корреляция между количество пожарных машин в районе Нью-Йорка и количество пожаров, происходят там.

Существует сильная положительная корреляция между размер стопы и качество письма.

Существует сильная отрицательная корреляция между количество передач вперед, выполненных в футбольном матче и выигранных игра.

Потребление тяжелого кофе имеет положительную корреляцию при сердечных приступах.

Посещение больницы положительно коррелировано с умиранием.

Увеличение количества часов детских часов Телевидение положительно коррелирует со снижением баллов по SAT.

Употребление марихуаны отрицательно коррелирует с высокие GPA.

Другой пример:

«[W] Половина общин страны имеют источники питьевой воды, а половина — нет, девяносто процентов случаев СПИДа поступают из залитых мукой участков, и только десять процентов поступают из нефторированные участки «.

Есть связь?

1. Не все сообщества одинакового размера: сообщества с флоуридом (вероятно, будут большими городами) могут содержать гораздо больше чем половина населения.

2. Отношения могут быть ложными: космополитические / прогрессивные. отношение может поощрять как фторирование, так и образ жизни, связанный с СПИД

Другой пример:

Есть ли причинно-следственная связь между классом посещаемость и достигнутые оценки?

«Студенты с самой низкой посещаемостью самые плохие оценки. Те, кто посещал 79 процентов занятий или меньше оказался в диапазоне низких C; 90% и выше получили средний балл выше B. Студент, сидевший впереди, получил «значительно более высокие оценки», но Уолш [ исследователь] думает, что они могли бы больше интересоваться предметами.»

Джон Стюарт Милль, Система логики, 1843 г.

A не является достаточным условием для B, если А происходит без Б.

A не является необходимым условием для B, если B происходит без A.

Прямой метод соглашения

Найдите причинно-следственную связь между эффектом и необходимое условие

Какой фактор всегда присутствует, когда эффект настоящее?

Если среди жителей общежития нет это сыпь расстройства желудка, мы, вероятно, будем искать один продукт, который все пациенты ели как причина.

1. Заключение касается только происшествий. обдуманный.

2. Вероятно: другие важные условия мог быть упущен из виду; это могло быть сочетание факторов

Обратный метод соглашения

Найдите причинно-следственную связь между эффектом и достаточное состояние

Какой фактор всегда отсутствует при возникновении эффекта отсутствуют?

Пятеро заводских рабочих признаны неэффективными относительно других, которые делают ту же работу.Эффективные работники и неэффективные работники оказались похожими во всех отношениях, кроме один: неэффективные не были частью плана распределения прибыли. Заключение: участие в прибыли приводит к эффективности.

1. Заключение касается только происшествий. обдуманный.

2. Вероятно: другие важные условия мог быть упущен из виду; это могло быть сочетание факторов

Двойной метод соглашения

Найдите причину, которая необходима как , так и и достаточное условие

Какой фактор всегда присутствует, когда эффект настоящее?

Какой фактор всегда отсутствует при возникновении эффекта отсутствуют?

Восемь пациентов болеют, и каждый из них дано то или иное средство.Четыре пациента, которым вводили сыворотку S., вылечились. Из тех, кто вылечился, не было дано единственного лекарства для всех. Принадлежащий четверо не излечились, каждому пациенту дали хотя бы одно из лекарств (но не сыворотка S). Сыворотка S считается лекарством.

1. Заключение касается только происшествий. обдуманный.

2. Вероятно: другие важные условия мог быть упущен из виду; это могло быть сочетание факторов

Метод различия

Определите достаточное условие среди возможные кандидаты в конкретном случае

Фактор — единственный, который присутствует когда явление присутствует и отсутствует, когда явление отсутствует.

Две одинаковые белые мыши в контролируемой В эксперименте давали одинаковое количество четырех разных продуктов. Кроме того, одну из мышей кормили определенным препаратом. Спустя некоторое время мышь, которая получил препарат, стал нервным и возбужденным. Исследователи пришли к выводу что препарат вызвал нервозность.

1. Заключение менее общее, чем обратное. метод различия, который применяется ко всем перечисленным случаям

Совместный метод согласия и разногласия

Определите необходимое и достаточное условие то, что присутствует, — это конкретный случай.

Используйте прямой метод соглашения для изоляции необходимые условия (если нет фактора — нет эффекта) и метод различия чтобы выделить те, которых также достаточно.

1. Заключение менее общее, чем двойное метод соглашения, который применяется ко всем перечисленным случаям;

Джордж, который регулярно тренировался, принимал витамины, и много отдохнул, заболел редкой болезнью. Врачи управляли антибиотик и болезнь исчезла. убежден, что лекарство было вызвано либо упражнением, либо отдыхом, либо антибиотиком врачи искали для аналогичных случаев.Из двух найденных, один не занимался спортом, взял нет витаминов, и мало отдыхала. Ему дали тот же антибиотик и был вылечен. Другой человек, который сделал то же самое, что и Джордж, получил без антибиотика и не вылечился. Врачи пришли к выводу, что Джордж был лечится антибиотиком.

Метод остатков

«Отделить от группы причинно связанных условия и явления, те нити причинной связи, которые уже известна, оставляя требуемую причинную связь как «остаток». »

Метод сопутствующей вариации

Сопоставьте вариации в одном условии с вариациями в другой.

Причинно-следственная связь: примеры и определение | Философские термины

I. Определение

Причинность — это процесс, когда одно «вызывает» другое. Это кажется довольно простым: вы бросаете мяч, мяч попадает в окно, заставляет разбить окно? Что в этом странного или непонятного? Какие проблемы философии необходимо решить, когда дело касается причинности?

Но все усложняется, когда вы пытаетесь думать о причинности более абстрактно.Что на самом деле означает слово «причина»? Можно ли это определить аналитически? Соответствует ли это чему-либо объективному в мире, или мы, люди, просто интерпретируем вещи, которые мы видим, как причинно-следственные связи?

Большинство философов согласятся, что ваши действия заставили окно разбиться, но доказать это практически невозможно. Мы просто инстинктивно «знаем», что мяч разбил окно — это же здравый смысл, верно?

Философы и ученые, однако, понимают, что «здравый смысл» часто вводит в заблуждение — в конце концов, здравый смысл веками говорил нам, что Солнце вращается вокруг Земли! Так что здравого смысла недостаточно в качестве философского аргумента.Нам нужны доказательства.

Однако когда дело доходит до причинно-следственной связи, чрезвычайно трудно найти какие-либо веские доказательства того, что одна вещь вызывает другую. Все, что у нас есть, — это свидетельства того, что две вещи происходят один за другим. Но где доказательства причинно-следственной связи между ними? Можете ли вы привести какие-либо доказательства этой связи, кроме как просто апеллировать к здравому смыслу?

Поначалу это трудно понять, потому что мы так привыкли рассматривать причинность как нечто очевидное — КОНЕЧНО, из-за ваших действий окно разбилось.Но сделайте шаг назад и подумайте, как вы могли бы это доказать. Может быть, окно случайно разбилось само за долю секунды до удара мяча. Это, конечно, маловероятно, но можете ли вы, , доказать , что этого не было?

Обычные люди обычно принимают причинность как должное, потому что она говорит нам, что мы ее уже понимаем. Но философы веками пытались выяснить, как эта интуиция здравого смысла может быть подтверждена строгим доказательством.Как мы увидим, такое доказательство чрезвычайно трудно представить, а может быть и невозможно.

Означает ли это, что причинности не существует? Возможно нет. Большинство философов так не думают. Но это действительно означает, что существует странный разрыв между тем, что мы знаем, и тем, что мы можем доказать, что знаем. Это показывает, что «знание» не так тесно связано с «логикой», как нам хотелось бы думать.

II. Причинность и корреляция

Наше популярное мнение состоит в том, что причинно-следственную связь можно определить с помощью корреляции.То есть, если вы бросите тысячу бейсбольных мячей в тысячу стеклянных окон, подавляющее большинство из них разобьется. Таким образом, это доказывает, что бейсбольный мяч разбил окно. Верно?

На самом деле все сложнее. Хотя корреляция иногда подразумевает причинность, во многих случаях это не так, и даже в лучших случаях она не полностью доказывает причинность.

Пример

Статистики обнаружили, что насильственных преступлений коррелируют с продажами мороженого .Чем больше продается мороженого, тем больше жестоких преступлений; когда продажи мороженого падают, преступлений становится меньше.

Это сильная корреляция , но она не подразумевает причинно-следственной связи . Неужели статистики думают, что мороженое заставляет людей бегать и совершать вооруженные ограбления? Или, наоборот, преступники хотят пойти за рожком мороженого после того, как кого-то ограбят? Ни то, ни другое не кажется очень вероятным. Так что же здесь происходит на самом деле?

Ответ состоит в том, что существует смешивающая переменная : что-то еще происходит в истории, которая является реальной причиной корреляции. В данном случае это погода, . В холодную погоду люди не покупают столько мороженого и не совершают столько жестоких преступлений. В летние месяцы все наоборот. То, что вы видите корреляцию, не означает, что одно вызывает другое.

Это объясняет, почему причинность так сложна с философской точки зрения. Сможете ли вы на самом деле доказать , что одно вызвало другое? В конце концов, связь между погодой и преступностью также основана исключительно на корреляции — так что, возможно, есть еще одна сбивающая с толку переменная! А может быть, эти корреляции просто вызваны совпадением !

У статистиков есть набор процедур для «доказательства» причинно-следственной связи, основанный на рандомизированных исследованиях.Они утверждают, что случайность усугубит любые противоречивые переменные и тем самым продемонстрирует причинную связь. Этот подход, вероятно, лучший способ понять причинность, но он все еще не завершен с философской точки зрения! Никакая рандомизация не может полностью опровергнуть возможность того, что существуют совпадения или смешивающие переменные — это просто вопрос доказательства причинности в меру наших возможностей и удовлетворения этим. Некоторые философы и ученые считают, что этого достаточно, в то время как другие находят это неудовлетворительным.

III. Цитаты о причинности

Цитата 1

«Вера в причинную связь — это суеверие». (Людвиг Витгенштейн, Tractatus Logico-Philisophicus)

Как мы увидим в следующем разделе, с течением времени были некоторые философы, которые утверждали, что причинности не существует, потому что она не может быть доказана. Людвиг Витгенштейн в начале своей карьеры был одним из них: он утверждал, что события следуют последовательно за другими событиями, но что любая причинная связь между ними является иллюзией — по общему признанию, эту иллюзию чрезвычайно трудно разрушить, но Витгенштейн утверждал, что это была иллюзия. иллюзия тем не менее.Позже Витгенштейн изменил свои взгляды на многие другие темы, но он продолжал скептически относиться к причинности (хотя он выражал свой скептицизм немного менее агрессивно!)

Цитата 2

«Вера в причинность метафизична. Это не что иное, как типичная метафизическая гипостатизация хорошо обоснованного методологического правила — решения ученого никогда не отказываться от поиска законов ». (Карл Поппер)

Карл Поппер был очень влиятельным философом науки и одним из главных мыслителей, сформировавших наше современное понимание научного метода.Поппер согласился, что причинность никогда не может быть доказана научно, но, в конце концов, утверждал он, это не важно: ученые должны были предположить, что причинность реальна, чтобы продолжить свои поиски упорядоченного понимания Вселенной. Наука достигла большого прогресса за последние несколько столетий, что говорит о том, что ее предположения (например, причинность) более продуктивны, чем другие возможные предположения — но все же мы никогда не должны забывать, что они являются предположениями.

IV.История и важность причинности

Философы обсуждали природу причинности на протяжении веков и во многих уголках мира: в Индии примерно в первом веке нашей эры между Асткарявадином и саткарявадином велись горячие дебаты о том, может ли причинность быть случайной или открытый; еще раньше Аристотель разработал понятие причинности, которое спустя столетия сильно повлияет на развитие как христианства, так и ислама. Фома Аквинский, христианский философ, находившийся под влиянием исламской мысли, использовал аристотелевское понятие причинности, чтобы «доказать» существование Бога — он утверждал, что все происходящее должно иметь причину, и поэтому должна быть «первопричина», которая объясняет все, что произошло в истории Вселенной.Фома Аквинский назвал это Богом, но признал, что не может доказать, что это было христианское представление о Боге — его аргументы поддерживали какие-то виды религиозных убеждений, но не поддерживали конкретно христианство в отличие от других религий.

В современной философии дебаты о причинности обычно сосредоточены на двух основных фигурах: Дэвиде Юме и Иммануиле Канте. Юм, философ шотландского Просвещения, привел убедительные доводы, эффективно доказывающие, что логика никогда не сможет полностью поддержать существование причинности.(Его аргумент был немного похож на раздел 2 этой статьи, хотя, очевидно, был намного более изощренным!)

Многие люди принимают Юма за чистую монету и интерпретируют его как действительно и действительно аргумент против существования причинности. Это довольно радикальная точка зрения, и в стандартной интерпретации Юм представлен как эксцентричный, крайний рациональный мыслитель, который отрицал существование причинности, потому что не мог найти ей логического оправдания. Его аргумент резюмируется следующим образом: логика не может доказать существование причинности, поэтому мы должны отвергнуть существование причинности!

Но Юм мог троллить.По общему мнению, он был исключительно веселым и юмористическим человеком, не из тех, кого можно было бы ожидать от философских радикалов или экстремистов. Кроме того, в нескольких других его книгах говорится, что он все еще верил в причинность, несмотря на то, что не мог ее доказать. В отношении этой интерпретации аргумент Юма был больше о логике, чем о причинности. То есть, мы бы переосмыслили его аргумент, чтобы сказать: логика не может доказать существование причинности, а причинность явно реальна, поэтому логика не идеальна!

Кант появился через несколько десятилетий после Юма и был впечатлен аргументом против причинности.Позже он сказал, что Юм «пробудил меня от догматической дремоты», по сути, отдавая должное Юму всей карьере Канта! Кант предположил, что причинность является частью самой структуры мысли, а не объективным атрибутом событий в мире. Другими словами, он утверждал, что вы никогда не увидите причинной связи (или, по крайней мере, вы можете быть уверены , что вы ее видите — «здравый смысл» может сказать вам, что вы видите причинность, но вы никогда не сможете докажите это логически), но как только вы поразмыслите над событиями и попытаетесь их осмыслить, вы неизбежно придете к идее причинности. Таким образом, причинность была подобна инструменту: вы должны мыслить с помощью идеи причинности, но это не означало, что вы должны были верить, что это объективная истина.

V. Философия в массовой культуре

Пример 1

«Видите ли, существует только одна константа. Один универсальный. Это единственная настоящая правда. Причинная связь. Действие, реакция. Причина и следствие … Выбор — это иллюзия, созданная между теми, у кого есть власть, и теми, у кого ее нет «. (Меровингиан, Матрица: перезагрузка).

Меровингов — древняя программа в Матрице, и его возраст определяется простотой его философии. Для него все сводится к единственному «факту» причинности. Однако, как мы видели, причинность — это далеко не единичный простой факт — для многих философов это не «единственная реальная истина», а на самом деле иллюзия или суеверие, даже несмотря на то, что она имеет такую ​​широкую привлекательность «здравого смысла». !

На самом деле Меровинги говорят не столько о причинности, сколько о детерминизме , представляющем собой целое сложное семейство идей, основанных на концепции, что все полностью определено причинами в прошлом (что означает отсутствие свободы воли).Вопрос о том, «существуют» ли эти причины, остается предметом споров.

Пример 2

«Раньше я думал, что корреляция подразумевает причинную связь. Потом я пошел на занятия по статистике. Теперь я этого не делаю ».
«Похоже, класс помог».
«Ну, может быть».
(xkcd, Correlation)

Это шутка из веб-комикса xkcd. Шутка показывает, насколько люди привязаны к идее причинности — строго говоря, вы не можете доказать , что класс помог другому человеку лучше понять причинность.Вполне возможно, что где-то в другом месте рисунка была какая-то мешающая переменная , и что это была реальная причина результата; возможно даже, что все это просто совпадение!

Конечно, наиболее правдоподобная история — это то, что класс действительно помог. Суть комикса в том, что, как говорили Юм и Кант, причинность необходима для того, как люди рассказывают свою жизнь и осмысливают мир, и мы все обычно верим в это, даже если не можем полностью это доказать.

7.2 Причинно-следственные связи — Научное исследование в области социальной работы

Цели обучения

• Определите и приведите примеры идиографических и номотетических причинно-следственных связей
• Опишите роль причинности в количественном исследовании по сравнению с качественным исследованием
• Определите, определите и опишите каждый из основных критериев номинальных причинно-следственных связей
• Опишите разницу и приведите примеры независимых, зависимых и управляющих переменных
• Дайте определение гипотезе, уметь сформулировать четкую гипотезу и обсудить соответствующие роли количественных и качественных исследований, когда дело доходит до гипотез

Большинство социальных исследований пытаются дать какое-то причинное объяснение.В исследовании вмешательства по предотвращению жестокого обращения с детьми делается попытка установить связь между вмешательством и изменениями в жестоком обращении с детьми. Причинность относится к идее, что одно событие, поведение или убеждение приведет к возникновению другого последующего события, поведения или убеждения. Другими словами, речь идет о причине и следствии. Это кажется простым, но вы можете быть удивлены, узнав, что существует несколько способов объяснить, как одно вызывает другое. Как это может быть? Как может быть много способов понять причинность?

Вспомните нашу главу о парадигмах, которые были аналитическими линзами, состоящими из предположений о мире.Вы запомните позитивистскую парадигму как ту, которая верит в объективность, а социальную конструктивистскую парадигму как ту, которая верит в субъективность. Обе парадигмы являются правильными, хотя и неполными, точками зрения на социальный мир и социальные науки.

Исследователь, работающий в парадигме социального конструкционизма, рассматривал бы истину как субъективную. В причинно-следственной связи мы сообщаем о том, что люди говорят нам, чтобы мы могли понять, что к чему. Это кажется простым, правда? А что, если два разных человека увидят одно и то же событие с одной и той же точки зрения и предложат два совершенно разных объяснения того, что к чему? Социальный конструкционист сказал бы, что оба человека правы.Не существует одной единственной истины, которая подходит для всех, но существует множество истин, созданных и разделяемых людьми.

Когда социальные конструкционисты занимаются наукой, они пытаются установить идиографическую причинность. Идиографическое причинное объяснение означает, что вы попытаетесь исчерпывающе объяснить или описать свой феномен, основываясь на субъективном понимании ваших участников. Эти объяснения связаны с рассказами, которые люди создают о своей жизни и опыте, и включены в культурный, исторический и экологический контекст.Идиографические причинные объяснения настолько сильны, потому что они передают глубокое понимание явления и его контекста. С точки зрения социального конструкционизма, правда запутана. Идиографическое исследование включает в себя поиск закономерностей и тем в причинно-следственных связях, установленных участниками вашего исследования.

Если это не похоже на то, что вы обычно называете «наукой», вы не одиноки. Хотя идеи, лежащие в основе идиографических исследований, в философии довольно стары, они применялись к наукам только в начале прошлого века.Если мы подумаем об известных ученых, таких как Ньютон или Дарвин, они никогда не считали истину субъективной. Они установили законы науки, которые были объективно верными и применимыми во всех ситуациях. Ньютон, Дарвин и другие действовали в рамках позитивистской парадигмы, которая и сегодня продолжает доминировать в большей части науки. Когда позитивисты пытаются установить причинно-следственную связь, они пытаются предложить широкое, всеобъемлющее объяснение, универсально верное для всех людей. Это отличительная черта номотетического причинного объяснения .

Номотетические причинные объяснения также невероятно мощны, потому что они позволяют ученым делать прогнозы о том, что произойдет в будущем, с определенной точностью. Более того, они позволяют ученым обобщить , то есть сделать заявления о большой популяции на основе меньшей выборки людей или предметов. Обобщение важно, поскольку у нас явно нет времени спрашивать у всех их мнение по теме, и мы не можем рассматривать каждое взаимодействие в социальном мире.Нам нужен тип причинного объяснения, которое поможет нам предсказать и оценить истину во всех ситуациях.

Если это все еще кажется малоизвестным философским термином, давайте рассмотрим пример. Представьте, что вы работаете в общественной некоммерческой организации, обслуживающей людей с ограниченными возможностями. Вы составляете отчет, чтобы лоббировать правительство штата, и вам необходимо поддержать свой аргумент в пользу дополнительного финансирования дальнейших программ поддержки сообщества в вашем агентстве. Обратившись к номотетическим исследованиям, вы узнаете, что предыдущие исследования связывали программы на уровне сообществ, подобные вашей, с положительными результатами в отношении здоровья и трудоустройства людей с ограниченными возможностями.Номотетические исследования направлены на объяснение того, что программы на уровне сообществ лучше подходят для человек и человек с ограниченными возможностями. Обратившись к идиографическим исследованиям, вы узнаете, что значит быть человеком, участвующим в общественной программе, прочитав их личные отчеты о своем жизненном опыте. Используя идиографические исследования, вы можете понять, каково быть инвалидом, а затем сообщить об этом правительству штата. Например, человек может сказать: «Я чувствую себя как дома в этом агентстве, потому что они относятся ко мне как к члену семьи» или «Это агентство помогло мне получить мою первую зарплату. ”

Ни одно из причинно-следственных объяснений не лучше другого. Решение провести идиографическое исследование означает, что вы попытаетесь исчерпывающе объяснить или описать свое явление, уделяя внимание культурному контексту и субъективным интерпретациям. Решение провести номотетическое исследование означает, что вы попытаетесь объяснить, что верно для всех, и предсказать, что будет правдой в будущем. Короче говоря, идиографические объяснения имеют большую глубину, а номотетические объяснения — большую широту.Что наиболее важно, социальные работники понимают ценность обоих подходов к пониманию социального мира. Социальный работник, помогающий клиенту с проблемами злоупотребления психоактивными веществами, ищет идиографические знания, когда они спрашивают об истории жизни этого клиента, исследуют его уникальную физическую среду или исследуют, как они понимают свою зависимость. Социальный работник также использует номотетические исследования для применения обобщаемых знаний о том, что обычно помогает людям с расстройствами, связанными с употреблением психоактивных веществ, таких как минимизация факторов риска, максимизация защитных факторов и использование методов терапии, основанной на доказательствах.

Один из моих любимых моментов в классе произошел в начале моей педагогической карьеры. Я проинструктировал своих студентов формировать группы, обсуждать исследовательские вопросы, которые они составили для своих проектов, и обеспечивать обратную связь друг с другом. Я слышал, как одна группа пыталась помочь студенту перефразировать свой исследовательский вопрос. Один студент спросил другого: «Ты пытаешься обобщить… или нет?» На их собственном языке они имели в виду номотетические причинно-следственные связи.

Итак, вы пытаетесь обобщить свои потенциальные результаты исследования… или нет? Отвечая на этот вопрос, вы сможете понять, как концептуализировать и разработать свой исследовательский проект.Если вы пытаетесь обобщить или создать номотетическую причинно-следственную связь, то остальные из этих утверждений, скорее всего, будут правдой: вы будете использовать количественные методы, рассуждать дедуктивно и проводить объяснительные исследования. Откуда мне все это знать? Давайте рассмотрим это по частям.

Номотетические причинно-следственные связи стремятся к обобщению. Чтобы явления можно было обобщить, их необходимо точно измерить и свести к общепринятым терминам, таким как математика и статистика. С одной стороны, не все количественные методы имеют объяснительный характер.Например, описательное исследование может выявить количество людей, не имеющих дома в вашем округе, но не расскажет, почему они бездомны. С другой стороны, почти все объяснительные исследования носят количественный характер. Исследователи-объяснители хотят ясного объяснения типа «x вызывает y», поэтому они используют универсальный язык математики для достижения своей цели. В общем, номотетические причинно-следственные связи используют количественные методы для достижения обобщаемости и доказательства причинно-следственных связей.

Когда мы говорим о x и y, мы говорим о взаимосвязях между переменными.Когда одна переменная вызывает или способствует изменению другой, у нас есть то, что исследователи называют независимыми и зависимыми переменными. В нашем примере о порке и агрессивном поведении шлепание будет независимой переменной, а агрессивное поведение — зависимой переменной. Независимая переменная является причиной, а зависимая переменная является следствием. Зависимые переменные зависят от независимых переменных. Если вы запутались, вспомните графические соотношения, представленные ниже.

Рисунок 7.1 Визуальное представление номотетической причинно-следственной связи

При попытке заявить о номотетической причинной связи важно учитывать силу этой связи. Сила отношений не относится к прочности вашей дружбы или брака, скорее в этом контексте это относится к статистической значимости. Чем более статистически значимой является связь между двумя переменными, тем больше у нас уверенности в силе этой связи.Если вы вспомните, как мы обсуждали статистическую значимость в главе 3, вы помните, что в статистике оно обычно представлено как значение p .

Гипотеза — это утверждение, которое описывает ожидания исследователя относительно того, что они ожидают найти. В количественном исследовании гипотезы представляют собой номотетическую причинно-следственную связь, которую исследователь ожидает продемонстрировать между независимыми и зависимыми переменными. Ваш прогноз должен быть взят из теории или модели социального мира.Например, вы можете предположить, что теплое и позитивное отношение к клиническим клиентам, вероятно, поможет им в достижении их терапевтических целей. Эта гипотеза будет использовать гуманистические теории Карла Роджерса. Использование предыдущих теорий для создания гипотез является примером дедуктивного исследования. Если теория безусловного положительного отношения Роджерса верна, ваша гипотеза должна быть верной. В общем, все номотетические причинно-следственные связи должны использовать дедуктивное рассуждение.

Рассмотрим пару примеров.В исследовании сексуальных домогательств (Uggen & Blackstone, 2004) можно предположить, основываясь на феминистских теориях сексуальных домогательств, что женщины чаще, чем мужчины, будут испытывать определенные сексуальные домогательства. Какая здесь предсказывается причинно-следственная связь? Какая переменная является независимой, а какая зависимой? В этом случае мы предположили, что пол человека (независимая переменная) предсказывает вероятность того, что он подвергнется сексуальным домогательствам (зависимая переменная).

Иногда исследователи предполагают, что отношения пойдут в определенном направлении.В результате можно сказать, что увеличение или уменьшение одной области вызывает увеличение или уменьшение другой. Например, вы можете изучить взаимосвязь между возрастом и поддержкой легализации марихуаны. Возможно, вы посещали занятия по социологии и использовали прочитанные вами теории, чтобы выдвинуть гипотезу о том, что возраст отрицательно связан с поддержкой легализации марихуаны. Вы только что выдвинули гипотезу о том, что по мере взросления вероятность того, что они поддержат легализацию марихуаны, уменьшается. Таким образом, по мере того, как возраст (ваша независимая переменная) движется в одном направлении (вверх), поддержка легализации марихуаны (ваша зависимая переменная) движется в другом направлении (вниз).Кроме того, положительные отношения включают две переменные, идущие в одном направлении, а отрицательные отношения включают две переменные, идущие в противоположных направлениях. Если написание гипотез кажется затруднительным, иногда полезно выделить их и изобразить каждую из двух гипотез, которые мы только что обсудили.

Рисунок 7.2 Гипотеза, описывающая ожидаемую связь между сексом и сексуальными домогательствами Рисунок 7.3 Гипотеза, описывающая ожидаемое направление взаимосвязи между возрастом и поддержкой легализации марихуаны

Важно отметить, что после начала исследования неэтично изменять свою гипотезу, чтобы она соответствовала найденным вами данным.Что произойдет, если вы проведете исследование для проверки гипотезы из рисунка 7.3 о поддержке легализации марихуаны, но не обнаружите взаимосвязи между возрастом и поддержкой легализации? В этом примере ваша гипотеза была ошибочной, но вы все равно можете извлечь ценную информацию из своего неверного прогноза. Ваше исследование бросит вызов тому, что говорится в существующей литературе по вашей теме, и, следовательно, продемонстрирует, что необходимо провести дополнительные исследования, чтобы выяснить факторы, которые влияют на поддержку легализации марихуаны.Не смущайтесь отрицательными результатами и определенно не меняйте свою гипотезу, чтобы она всегда казалась верной!

Допустим, вы проводите исследование и находите доказательства, подтверждающие вашу гипотезу. С возрастом поддержка легализации марихуаны уменьшается. Успех! Причинно-следственное объяснение полно, верно? Не совсем. Вы установили только один из критериев причинно-следственной связи. Основные критерии причинности связаны с ковариацией, правдоподобием, темпоральностью и ложностью.В нашем примере с рис. 7.3 мы установили только один критерий — ковариацию. Когда переменные коварируют , они изменяются вместе. В нашем исследовании возраст и поддержка легализации марихуаны различаются. В нашей выборке представлены люди разного возраста и разного уровня поддержки легализации марихуаны.

Наличие некоторой корреляции между двумя переменными не означает, что причинно-следственная связь между ними правдоподобна. Правдоподобие означает, что для того, чтобы утверждать, что одно событие, поведение или убеждение вызывает другое, утверждение должно иметь смысл.Логично, что люди предыдущих поколений относились к марихуане иначе, чем молодые. Люди, выросшие во времена Reefer Madness или хиппи, могут придерживаться иных взглядов, чем те, кто вырос в эпоху легализованного использования марихуаны в медицинских и рекреационных целях.

После того, как мы установили, что существует правдоподобная связь между двумя переменными, нам также необходимо установить, возникла ли причина до следствия, критерий темпоральности .Возраст человека — это качество, которое появляется задолго до любого мнения о политике в отношении наркотиков, поэтому временно причина предшествует следствию. Бессмысленно говорить, что поддержка легализации марихуаны увеличивает возраст человека. Даже если вы могли бы предсказать возраст кого-то на основе их поддержки легализации марихуаны, вы не могли бы сказать, что чей-то возраст был обусловлен их поддержкой легализации.

Наконец, ученые должны установить объективность. Ложная взаимосвязь — это взаимосвязь между двумя переменными, которая кажется причинной, но может быть объяснена третьей переменной.Например, мы могли бы указать на тот факт, что старшие когорты с меньшей вероятностью употребляли марихуану, что может повлиять на их негативное отношение к легализации. Это часто называют проблемой третьей переменной, когда кажущаяся истинной причинная связь на самом деле вызвана третьей переменной, не включенной в гипотезу. В этом примере связь между возрастом и поддержкой легализации может быть больше связана с употреблением марихуаны, чем с возрастом человека.

Количественные исследователи чувствительны к последствиям потенциально ложных отношений.Они являются важной формой критики научной работы. В результате они часто будут измерять эти третьи переменные в своих исследованиях, чтобы контролировать их влияние. Они называются контрольными переменными , и они относятся к переменным, влияние которых контролируется математически в процессе анализа данных. Контрольные переменные могут немного сбивать с толку, но думайте об этом как о споре между вами, исследователем и критиком.

Исследователь: «Чем старше человек, тем меньше вероятность, что он поддержит легализацию марихуаны.”

Критик: «На самом деле, это больше о том, употреблял ли человек марихуану раньше. Это то, что действительно определяет, поддерживает ли кто-то легализацию марихуаны ».

Исследователь: «Ну, я измерил предыдущее употребление марихуаны в своем исследовании и математически контролировал ее эффекты в своем анализе. Взаимосвязь между возрастом и поддержкой легализации марихуаны по-прежнему статистически значима и является наиболее важной взаимосвязью здесь ».

Давайте рассмотрим еще несколько реальных примеров ложности.Можно утверждать, хотя и неверно, что высокие темпы продаж мороженого вызывают утопление, потому что между двумя переменными существует положительная взаимосвязь. В этом случае время года (лето) является третьей переменной, которая вызывает как высокие продажи мороженого, так и рост смертности от утопления (Babbie, 2010). Вот еще один хороший пример: это правда, что с ростом зарплат пресвитерианских священников в Массачусетсе растет и цена на ром в Гаване, Куба. Ну да, наверное, вы говорите себе.Все знают, насколько министры в Массачусетсе любят свой ром, верно? Не так быстро. И зарплаты, и цены на ром, правда, выросли, но вместе с тем выросли и цены на все остальное (Huff & Geis, 1993). Наконец, исследования показывают, что по мере увеличения количества пожарных на месте происшествия увеличивается ущерб, нанесенный на месте происшествия. Конечно, в этом заявлении не упоминается, что размер пожара влияет на размер ущерба и количество пожарных, прибывших на место происшествия (Frankfort-Nachmias & Leon-Guerrero, 2011).В каждом из этих примеров именно наличие третьей переменной объясняет очевидную взаимосвязь между двумя исходными переменными.

Таким образом, для того, чтобы корреляция считалась причинной, должны быть соблюдены следующие критерии:

• Две переменные должны изменяться вместе.
• Отношение должно быть правдоподобным.
• Причина должна предшествовать следствию во времени.
• Отношение не должно быть ложным (не из-за третьей переменной).

Если эти критерии соблюдены, исследователь может сказать, что он получил номотетическое причинное объяснение, которое объективно верно.Перед исследователями стоит непростая задача. Крайне редко можно услышать, как исследователи заявляют, что они доказали свои гипотезы. Утверждение, выделенное жирным шрифтом, означает, что связь была доказана с абсолютной уверенностью и что нет никаких шансов, что существуют условия, при которых гипотеза не будет верной. Вместо этого исследователи склонны утверждать, что их гипотезы были поддержаны (или нет). Такой способ обсуждения результатов более осторожен и оставляет место для потенциального открытия новых свидетельств или новых способов изучения взаимосвязи.Исследователи также могут обсудить нулевую гипотезу. В главе 3 мы рассмотрели, что нулевая гипотеза не предсказывает никакой связи между изучаемыми переменными. Если исследователь отвергает нулевую гипотезу, он заявляет, что рассматриваемые переменные каким-то образом связаны друг с другом.

Помните наш вопрос: «Вы пытаетесь обобщить… или нет?» Если вы ответили «нет», вы пытаетесь установить идиографическую причинно-следственную связь. Я могу предположить, что если вы пытаетесь установить идиографическую причинно-следственную связь, вы, вероятно, будете использовать качественные методы, индуктивно рассуждать и участвовать в исследовательских или описательных исследованиях.Мы можем понять эти предположения, рассмотрев их одно за другим.

Исследователи, ищущие идиографические причинно-следственные связи, не пытаются обобщать, поэтому у них нет необходимости сводить явления к математике. Фактически, сведение социального мира к языку математики может быть проблематичным, поскольку оно лишает причинную связь его значения и контекста. Идиографические причинно-следственные связи связаны с историями и интерпретациями людей. Обычно это выражается словами.Хотя в большинстве качественных исследований используются словесные данные, некоторые могут использовать интерпретацию визуального искусства или перформанса.

Но подождите, я предсказал, что идиографические причинно-следственные связи будут основаны на описательном или исследовательском исследовании. Как мы можем построить причинно-следственные связи, если мы просто описываем или исследуем тему? Разве нам не нужно проводить объяснительные исследования, чтобы построить какое-либо причинное объяснение? Объяснительное исследование пытается установить номотетические причинно-следственные связи — показано, что независимая переменная вызывает изменения в зависимой переменной.Исследовательское и описательное качественное исследование содержит некоторые причинно-следственные связи, но на самом деле они являются описанием причинно-следственных связей, установленных участниками вашего исследования. Вместо того, чтобы говорить «x вызывает y», ваши участники опишут свой опыт с «x», в котором они объяснят различные способствующие факторы, которые зависят от времени, окружающей среды и субъективного опыта. Как мы заявляли ранее, идиографические причинные объяснения беспорядочные. Ваша задача как исследователя социальных наук — точно описывать закономерности в том, что вам говорят участники.

Рассмотрим пример. Что бы вы ответили, если бы я спросил, почему вы решили стать социальным работником? Что касается меня, я бы сказал, что хотел стать психиатром с тех пор, как учился в старшей школе. Мне было интересно, как думают люди. Во время моей второй стажировки по программе бакалавриата мне посоветовали стать социальным работником, потому что лицензия давала больше полномочий для выплаты страхового возмещения и гибкости при смене карьеры. Хотя это непростое объяснение, мое описание дает более глубокое понимание множества факторов, которые побудили меня стать социальным работником.Если мы опросим многих социальных работников о факторах, которые привели их к этой области, мы могли бы начать замечать закономерности. Мы можем обнаружить, что многие социальные работники начинают свою карьеру на основании множества факторов, таких как: личный опыт с инвалидностью или социальной несправедливостью, положительный опыт общения с социальными работниками или желание помочь другим. Ни один фактор не является «самым важным фактором», как в случае номотетических причинно-следственных связей. Вместо этого, когда вы интерпретируете то, что говорят люди, в наборе данных появляется сложная сеть факторов, зависящих от контекста.

Как вы помните из главы 6, индуктивное рассуждение — это поиск закономерностей в данных. В исследовательском проекте с использованием индуктивного мышления исследователь собирает данные, обычно в форме слов, и ищет закономерности. Эти закономерности определяют теории, которые мы используем в социальной работе. Во многих отношениях идиографические причинно-следственные связи, которые вы создаете в качественном исследовании, похожи на социальные теории, которые мы рассмотрели в главе 6 (например, теория социального обмена), и другие теории, которые вы используете в своих практических и теоретических курсах.Теории — это объяснения того, как разные концепции связаны друг с другом, как эта сеть отношений работает в реальном мире. Хотя вы можете думать о теориях вроде теории систем как о теории (с большой буквы), индуктивные причинно-следственные связи похожи на теорию с маленькой буквой t. Они могут применяться только к участникам, среде и моменту времени, когда вы собирали свои данные. Тем не менее, они вносят важную информацию в совокупность знаний по изучаемой вами теме.

Со временем, по мере того, как завершаются все более качественные исследования и в разных исследованиях и местах выявляются закономерности, появляются более сложные теории, объясняющие явления в различных контекстах. Таким образом, качественные исследователи используют идиографические причинные объяснения для теории , строя или создавая новые теории, основанные на индуктивных рассуждениях. С другой стороны, количественные исследователи используют номотетические причинно-следственные связи для проверки теории , в которой гипотеза создается на основе существующей теории (большой T или маленький t) и проверяется математически (т.е.е., дедуктивное рассуждение).

Если вы планируете изучать домашнее и сексуальное насилие, вы, вероятно, столкнетесь с Колесом власти и контроля. [6] Колесо — это модель того, как власть и контроль действуют в отношениях с физическим насилием. Колесо было разработано на основе качественных фокус-групп, проведенных защитниками сексуального и домашнего насилия в Дулут, Миннесота. Хотя у защитников, вероятно, были некоторые предварительные гипотезы о том, что важно в отношениях с домашним насилием, участники этих фокус-групп предоставили информацию, которая стала колесом власти и контроля.По мере того, как проводится качественное исследование и исследователи учатся у своих участников, гипотезы становятся более ясными и конкретными.

Как только теория разработана на основе качественных данных, количественный исследователь может попытаться проверить эту теорию. Например, количественный исследователь может выдвинуть гипотезу о том, что мужчины, занимающие традиционные гендерные роли, более склонны к насилию в семье. Это имело бы смысл на основе модели «Колесо власти и контроля», поскольку категория «использование мужских привилегий» говорит об этих отношениях.Таким образом, качественно выведенная теория может вдохновить гипотезу для количественного исследовательского проекта.

В отличие от номотетических причинно-следственных связей, не существует формальных критериев для установления причинности в идиографических причинно-следственных связях. Фактически, могут быть нарушены некоторые критерии, такие как временность и непредсказуемость. Например, если клиент-подросток говорит: «Мне сложно сказать, началась ли моя депрессия до того, как я начал пить, но обе стали хуже, когда меня исключили из моей первой старшей школы», они признают, что часто не все так просто. вещь вызывает другое.Иногда существует взаимная взаимосвязь, когда одна переменная (депрессия) влияет на другую (злоупотребление алкоголем), что затем возвращается в первую переменную (депрессия), а также в другие переменные (школа). Другие критерии, такие как ковариация и правдоподобие, по-прежнему имеют смысл, потому что отношения, которые вы выделяете в своем идиографическом причинно-следственном объяснении, должны быть правдоподобно истинными, а их элементы должны варьироваться вместе.

Точно так же идиографические причинные объяснения различаются с точки зрения гипотез.Если вы помните из предыдущего раздела, гипотезы в номотетических причинных объяснениях — это проверяемые предсказания, основанные на предыдущей теории. В идиографических исследованиях у исследователя, вероятно, есть гипотезы, но они более предварительные. Вместо предсказания «x будет уменьшать y» исследователи будут использовать предыдущую литературу, чтобы определить концепции, которые могут быть важны для участников, и то, как участники могут реагировать во время исследования. На основе анализа литературы исследователь может сформулировать несколько предварительных гипотез о том, что они ожидают найти в своем качественном исследовании.В отличие от номотетических гипотез, они могут измениться в процессе исследования. По мере того, как исследователь узнает больше от своих участников, они могут вводить новые концепции, о которых говорят участники. Поскольку участники являются экспертами в идиографических причинно-следственных связях, исследователь должен быть открыт для новых тем и соответственно менять свои исследовательские вопросы и гипотезы.

Идиографические и номотетические причинные объяснения образуют «две корзины» элементов дизайна исследования, изображенных на Рисунке 7.4 ниже. Позже они также определят метод выборки, меры и анализ данных в вашем исследовании.

Рисунок 7.4: Две корзины (или подходы) для исследования

В большинстве случаев смешивание компонентов из одной корзины с другой не имеет смысла. Если вы используете количественные методы с идиографическим вопросом, вы не получите из собственных слов участников того глубокого понимания, которое вам нужно для ответа на идиографический вопрос. Например, знание того, что кто-то набрал 20/35 баллов по числовому индексу, измеряющему симптомы депрессии, не говорит вам, что депрессия означает для этого человека.Точно так же качественные методы не часто используются для дедуктивного мышления, потому что качественные методы обычно стремятся понять точку зрения участника, а не проверить, что существующая теория говорит о концепции.

Однако это не жесткие правила. Существует множество качественных исследований, которые пытаются проверить теорию. Существует меньше социальных конструкционистских исследований с использованием количественных методов, хотя исследования иногда включают количественную информацию об участниках.Исследователи критической парадигмы могут вписаться в любую группу, в зависимости от их исследовательского вопроса, поскольку они сосредоточены на освобождении людей от деспотических внутренних (субъективных) или внешних (объективных) сил.

Позже мы рассмотрим, как исследователи смешанных методов могут использовать оба сегмента одновременно, но пока важно, чтобы вы понимали логику, которая связывает идеи в каждом отдельном сегменте. Это не только фундаментально для понимания того, как создаются и проверяются знания в социальной работе, но и говорит о допущениях и основаниях, на которых построены социальные теории!

Основные выводы

• Идиографические исследования фокусируются на субъективности, контексте и значении.
• Номотетические исследования фокусируются на объективности, предсказании и обобщении.
• В качественных исследованиях цель обычно состоит в том, чтобы понять множество причин, которые объясняют конкретный случай, который исследует исследователь.
• Целью количественных исследований может быть понимание более общих причин какого-либо явления, а не идиосинкразии одного конкретного случая.
• Чтобы установить номотетическую причинно-следственную связь:
  • 1) взаимосвязь должна быть достоверной
  • 2) отношения не должны быть ложными
  • 3) причина должна предшествовать следствию во времени
  • 4) независимая переменная должна вызывать изменения в зависимой переменной
• Гипотезы — это утверждения, основанные на теории, которые описывают ожидания исследователя относительно взаимосвязи между двумя или более переменными.
• Качественное исследование может создавать теории, которые можно проверить количественно.
• Выбор идиографических или номотетических причинно-следственных связей требует рассмотрения методов, парадигмы и рассуждений.
• В зависимости от того, ищете ли вы номотетического или идиографического причинно-следственного объяснения, вы, вероятно, будете использовать определенные компоненты дизайна исследования.

Глоссарий

Причинность — идея о том, что одно событие, поведение или убеждение приведет к возникновению следующего события, поведения или убеждения

Управляющие переменные — влияние потенциальных «третьих переменных» математически контролируется в процессе анализа данных, чтобы выявить взаимосвязь между независимой и зависимой переменной; используется для установления критериев непредсказуемости в номотетических причинно-следственных связях

Ковариация — степень, в которой две переменные изменяются вместе

Зависимая переменная — переменная, зависящая от изменения независимой переменной

Обобщить — сделать заявления о большей совокупности на основе исследования меньшей репрезентативной выборки

Гипотеза — утверждение, описывающее ожидания исследователя относительно того, что они ожидают найти.

Идиографическое исследование — попытки исчерпывающего объяснения или описания явления, основанные на субъективном понимании участников

Независимая переменная — переменная, вызывающая изменение зависимой переменной

Номотетическое исследование — дает более общее и всеобъемлющее объяснение, универсально верное для всех людей

Правдоподобие — чтобы утверждать, что одно событие, поведение или убеждение вызывает другое, это утверждение должно иметь смысл

Ложная связь — связь между двумя переменными кажется причинной, но на самом деле может быть объяснена какой-то третьей переменной

Статистическая значимость — вероятность того, что наблюдаемые взаимосвязи вызваны чем-то, кроме случая; уровень уверенности исследователей в математических отношениях

Temporality — любая причина, которую определяет исследователь, должна произойти до появления эффекта

Построение теории — создание новых теорий, основанных на индуктивных рассуждениях

Проверка теории — когда гипотеза создается на основе существующей теории и проверяется математически

Атрибуция изображений

Микадо от 3dman_eu CC-0

Прогноз погоды по телеканалу mohamed_hassan CC-0

Беатрис Бирра Рассказ Энтони Кросса в Африканском художественном музее общественное достояние

11 примеров причинно-следственной связи — простые

Причинность — это связь между причиной и следствием.Это может быть удивительно сложно определить и является частым источником философских аргументов, ошибок анализа, заблуждений и когнитивных предубеждений. Ниже приведены наглядные примеры причинно-следственной связи.

Комплексные причины

События обычно имеют множество причин. Если вы получаете необычно хорошие оценки в университете, вы можете поблагодарить своих родителей за то, что они побуждали вас читать. Однако, вероятно, есть тысячи факторов, малых и больших, которые способствовали вашему успеху. Основная причина проблемы.Это общеизвестно сложно определить, так как две группы, исследующие основную причину одной и той же проблемы, часто приходят к совершенно разным ответам. Если бортпроводник необычно грубо обращается с клиентом, что приводит к плохой огласке, один следователь может обвинить в обучении, а другой может предположить, что у сотрудника была история плохого поведения, и его никогда не следовало нанимать для выполнения сложной роли по обслуживанию клиентов. Определить первопричину проблемы — спросить «почему?» пять раз подряд, чтобы взглянуть на проблему на более глубоком уровне.Как и в случае с любым анализом первопричин, каждый раз, когда вы это делаете, дает разные ответы. Например: Малыш бросил мяч в дом и сломал телевизор. Почему? Малыш нарушил правила. Почему? Малышу было скучно. Почему? Никто не обращал на нее внимания. Почему? Мама и папа оба работали на своих ноутбуках. Почему? Мама и папа имеют ответственную работу. Это иллюстрирует, насколько анализ первопричин далек от определенной науки, поскольку вы могли бы продолжать спрашивать, почему и в конечном итоге обвиняли своих работодателей, правительство или саму Вселенную в вашем сломанном телевизоре.Стрела времени — это теория, согласно которой время движется в одном направлении от прошлого к будущему. Это означает, что события в будущем не могут вызвать изменения в прошлом. Время часто бывает полезным для определения причины. Однако это не всегда так однозначно, как кажется. Яйцо обычно предшествует курице, и поэтому может быть разумным аргументом в пользу того, что яйцо появилось раньше курицы. Однако это поднимает вопрос о происхождении яйца.

Корреляция равняется причинно-следственной связи

Распространенное заблуждение, предполагающее, что корреляция приравнивается к причинной связи.Это обычно встречается в деловом, политическом, социальном, инвестиционном и научном анализе. Ошибка, заключающаяся в том, что корреляция равна причинно-следственной связи, становится все более распространенным явлением, поскольку программное обеспечение для извлечения данных может автоматически находить корреляции в данных. Например, в течение многих лет количество разводов в штате Мэн коррелировало с потреблением маргарина в США.

Обратная причинно-следственная связь

Тип заблуждения, который меняет причину и следствие. Например, каждый раз, когда у меня плохое настроение, идет дождь, поэтому мое настроение влияет на погоду.

Заблуждение третьей причины

Заблуждение, игнорирующее третий фактор, являющийся реальной причиной множественных состояний. Например: чем больше людей плавают, тем чаще они получают тепловой удар. Следовательно, плавание вызывает тепловой удар. Приведенный выше анализ упускает из виду третий фактор, который является причиной как большего количества плаваний, так и большего количества теплового удара: жаркие дни.

Двунаправленная причинность

Двунаправленная причинность — это когда две вещи вызывают друг друга. Например, если вы хотите сохранить луга, вы можете предположить, что вам нужно меньше слонов, которые едят траву.Однако слоны кормят траву навозом и играют такую ​​роль в экосистеме, что чем больше слонов, тем больше травы, и наоборот.

Контрфактическая причинность

Контрфактическая причинность — это когда причиной является то, чего не произошло. Это может быть довольно сложное пространство для анализа, потому что список вещей, которых не произошло, более или менее бесконечен. Тем не менее, человеческий интеллект часто может определить контрфактическую причинность. Например, я провалил тест, потому что не учился.

Заблуждение регрессии

Заблуждение регрессии — это неспособность заметить, что что-то просто вернулось в норму само по себе и не было под влиянием ваших действий. Например, игрок проигрывает 100 дней подряд, поэтому он покупает счастливую пару обуви и выигрывает. Игрок уверен, что обувь — причина удачи, но при этом не учитывает вероятность того, что удача вернется сама по себе. Это заблуждение основано на регрессе к среднему значению, когда период необычных результатов обычно исправляется сам собой.

Проверка гипотез

Хотя корреляция не означает причинно-следственную связь, наука в основном основана на корреляциях в данных. Теория причины и следствия может быть подтверждена путем сбора нескольких независимых наборов данных. Например, если одно исследование предполагает, что курение вызывает рак, это может быть совпадением. Если это подтверждают большое количество исследований, это солидная наука. Заблуждения, связанные с причинно-следственной связью, часто используются для опровержения установленных знаний по политическим причинам.

Статистический анализ

Это полный список статей о статистическом анализе, которые мы написали.

Если вам понравилась эта страница, добавьте в закладки Simplicable.

Список статистических методов.

Обзор того, как рассчитать квартили с полным примером.

Паттерны ошибок в статистике.

Определение когорты с примерами.

Определение естественного эксперимента с примерами.

Определение случайной ошибки с примерами.

Определение положительной корреляции с примерами и сравнениями.

Определение отрицательной корреляции с примерами.

Определение альтернативной гипотезы с примерами.

Список методов и рекомендаций по науке о данных.

Обзор подходов, основанных на данных, с примерами.

Определение эмпиризма с примерами.

Определение цифровизации с примерами.

Примеры распространенных типов персональных данных.

Список часто упоминаемых навыков работы с данными.

Самые популярные статьи о Simplicable за последние сутки.



Последние сообщения или обновления на Simplicable.

Корреляция и причинно-следственная связь

А корреляция это мера или степень взаимосвязи между двумя переменными. Набор данных может быть положительно коррелирован, отрицательно коррелирован или вообще не коррелирован. По мере увеличения одного набора значений другой набор имеет тенденцию к увеличению, и это называется положительной корреляцией.

По мере увеличения одного набора значений другой набор имеет тенденцию к уменьшению, и это называется отрицательной корреляцией.

Если изменение значений одного набора не влияет на значения другого, то говорят, что переменные не имеют «корреляции» или «нулевой корреляции».

А причинная связь между двумя событиями существует, если возникновение первого вызывает другое.Первое событие называется причиной, а второе событие — следствием. Корреляция между двумя переменными не подразумевает причинно-следственной связи. С другой стороны, если между двумя переменными существует причинно-следственная связь, они должны быть коррелированы.

Пример:

Исследование показывает, что существует отрицательная корреляция между тревогой студента перед тестом и его оценкой на тесте.Но нельзя сказать, что тревога причины более низкий балл по тесту; могут быть и другие причины — например, ученик плохо учился. Таким образом, корреляция здесь не подразумевает причинно-следственной связи.

Однако примите во внимание положительную корреляцию между количеством часов, которые вы тратите на подготовку к тесту, и оценкой, которую вы получите за него. Здесь также есть причинно-следственная связь; если вы тратите больше времени на учебу, вы получаете более высокую оценку.

Одним из наиболее часто используемых показателей корреляции является корреляция моментов продукта Пирсона или коэффициент корреляции Пирсона. Он измеряется по формуле,

р Икс y знак равно п ∑ Икс y — ∑ Икс ∑ y ( п ∑ Икс 2 — ( ∑ Икс ) 2 ) ( п ∑ y 2 — ( ∑ y ) 2 )

Значение коэффициента корреляции Пирсона варьируется от — 1 к + 1 где –1 указывает на сильную отрицательную корреляцию, а + 1 указывает на сильную положительную корреляцию.

Связь против причинно-следственной связи

При рассмотрении взаимосвязи между воздействием и последствиями для здоровья важно различать связь и причинно-следственную связь. В конечном итоге эпидемиологи хотят иметь возможность делать выводы о причинно-следственной связи, но большинство эпидемиологических исследований сосредоточено на установлении ассоциаций.

Ассоциация: Является ли указанный исход для здоровья более вероятным у людей с определенным «воздействием»? Ссылка есть? Ассоциация — это статистическая связь между двумя переменными.

Две переменные могут быть связаны без причинно-следственной связи. Например, существует статистическая связь между количеством людей, утонувших в результате падения в бассейн, и количеством фильмов, в которых Николас Кейдж появился в данном году. Однако очевидно, что причинно-следственной связи нет.

еврейских женщин имеют более высокий риск рака груди, в то время как мормоны имеют более низкий риск. Однако религия не является причиной рака груди. Есть и другие объяснения.

Было убедительно продемонстрировано, что люди с более низким социально-экономическим статусом (СЭС) имеют более высокий риск рака легких, т.е. существует четкая ассоциация, но означает ли это, что низкий СЭС является причиной рака легких? Более правдоподобным объяснением является то, что люди с более низким СЭС более склонны курить и хронически подвергаться воздействию загрязнения воздуха и что воздействие этих загрязнителей на дыхательные пути вызывает мутации в клетках бронхов, которые в конечном итоге могут вызвать рак.

Причинная связь: Причинная связь означает, что воздействие производит эффекта.Это может быть наличие неблагоприятного воздействия, например, повышенный риск при работе в угольной шахте, употреблении запрещенных наркотиков или вдыхании вторичного дыма. Причинными факторами также может быть отсутствие профилактического воздействия, например, отсутствие ремня безопасности или отсутствие физических упражнений. Причина должна быть связана с результатом, но простой демонстрации связи недостаточно. Чтобы сделать вывод о том, что недостаток физических упражнений является причиной сердечных заболеваний, необходимо изучить совокупность данных, предполагающих причинно-следственную связь, а также рассмотреть другие критерии.Например,

• Воздействие табачного дыма и загрязнения воздуха предшествует возникновению рака легких?
• Существует ли сильная связь между курением и последующим возникновением рака легких?
• Возможно ли, что из-за рака легких человек начинает курить?

Интересно отметить, что когда курильщикам, которые всю жизнь говорят, что у них рак легких или эмфизема легких, многие из них бросают курить. Это создает впечатление, что бывшие курильщики с большей вероятностью умрут от эмфиземы или рака легких, чем нынешние курильщики.

вернуться наверх | предыдущая страница | следующая страница

[S04] Причинная связь

В науке и повседневной жизни мы часто заинтересованы в поиске причин и использовании их для объяснения и управления вещами. Однако природа причинности — сложная философская тема. Некоторые люди думают, что причинность — это передача энергии, другие думают, что причинность — это вопрос манипулирования. Есть даже философы, отрицающие существование причинности. Здесь мы обсудим некоторые полезные концепции для размышлений о причинно-следственных связях в повседневной жизни и отложим в сторону более спорные вопросы.(Если вас интересуют эти вопросы, см. Раздел о причинно-следственных связях в Стэнфордской энциклопедии философии.)

§1. Немного полезной терминологии

Мы часто говорим о причинно-следственной связи двумя разными способами. Прежде всего, существует сингулярная причинность , которая представляет собой отношение между двумя конкретными событиями, где конкретное событие — это какое-то действие или происшествие в определенное время или в определенном месте. Здесь несколько примеров единственной причинно-следственной связи:

• Ее пение разбивает окна.
• Вирусная инфекция стала причиной его смерти.

Но мы также говорим об общей причинности как о связи между двумя типами событий, например:

• Курение вызывает рак.
• Тяжелые упражнения вызывают потоотделение, жажду и усталость.

Кажется разумным думать, что необходимо проанализировать общую причинно-следственную связь. с точки зрения единственной причинности. Таким образом, «события типа X вызывают события типа Y» могут быть понимается как что-то примерно вроде «определенные события типа X с большой вероятностью вызовут определенные события типа Y».»

Эти концепции о причинно-следственных связях также весьма полезны:

• Событие X является причинно необходимым для события Y тогда и только тогда, когда Y не произошло бы, если бы X не произошло.
• Событие X причинно достаточно для события Y тогда и только тогда, когда одного присутствия X достаточно, чтобы вызвать Y.

Так, например, нагревание газа причинно достаточно, но не обязательно для увеличения его давления — вы можете увеличить его давление, также сжимая газ.Нажатие выключателя света может быть причинно необходимо для включения света, но этого недостаточно, так как также требуется электричество.

• Иногда причинный фактор может быть существенным или относящимся к эффект, даже если он не является ни необходимым, ни достаточным, например тяжелая работа может быть причинно релевантным фактором , который является частью объяснения того, почему студент сдал, но предположительно это не является ни необходимым, ни достаточным.
• Мы также можем провести различие между запуском и постоянных или структурных причин.Причина срабатывания — это причина, которая запускает цепочку событий. которые приводят к эффекту. В то время как постоянная причина — это какое-то статическое состояние который способствует следствию только в сочетании с инициирующей причиной.

Например, предположим, что произошел взрыв в комнате, наполненной горючими газами. Причиной срабатывания может быть случай, когда кто-то зажег спичка в комнате, и наличие газов было бы постоянной причиной. Так же, постоянная причина конкретного бунта, возможно, должна быть с высоким уровнем безработицы, Причиной срабатывания триггера является какое-то конкретное событие, например, возможно кого-то избивает полиция.

§2. Причинно-следственная связь

Вселенная содержит объекты и процессы на разных уровнях. Более крупные объекты, такие как галактики, состоят из звезд и планет, а общества состоят из более мелких вещей, таких как отдельные люди. Точно так же процессы высокого уровня, такие как проводимость электричества, состоят из процессов более низкого уровня, таких как движение электронов. Чтобы объяснить причинность, недостаточно просто знать, что A является причиной B, нам нужна теория, объясняющая, как A вызывает B.Что необходимо, так это теория причинных механизмов более низкого уровня, ведущих от А к Б.

Например, чтобы объяснить, почему нагрев заставляет кусок металла расширяться, мы приводим тот факт, что нагрев дает энергию атомам металла, и в результате увеличения вибрации из-за более высокой энергии расстояние между атомами увеличивается, и это составляет расширение. Структуру этого объяснения можно представить в виде диаграммы:

Эта диаграмма показывает, что физический причинный процесс высокого уровня объясняется с помощью механизмов более низкого уровня.Без механизмов более низкого уровня мы не смогли бы понять, как может возникать причинно-следственная связь высокого уровня. Это касается не только физики, но и других дисциплин. Например, в макроэкономике такие свойства высокого уровня, как ВВП, инфляция и уровень безработицы, также должны объясняться на более низком уровне действиями отдельных лиц в экономике.