calculatorgate.com
Anasayfa
/Dondurma satışları ve boğulmalar: korelasyon neden yalan söyleyebilir?

Dondurma satışları ve boğulmalar: korelasyon neden yalan söyleyebilir?

İki şeyin birlikte artması, birinin diğerine neden olduğu anlamına gelmez. Korelasyonu doğru okumayı ve en sık düşülen tuzakları basit örneklerle anlatıyoruz.

Yayın tarihi: · 3 dk okuma · CalculatorGate ekibi tarafından hazırlandı

Yaz aylarında dondurma satışları artar. Aynı aylarda boğulma vakaları da artar. Verilere bakan biri ikisi arasında güçlü bir ilişki bulur. Peki dondurma boğulmaya mı yol açıyor? Elbette hayır. İkisinin de arkasında aynı neden var: sıcak hava. İnsanlar hem daha çok dondurma yer hem de daha çok denize girer.

Bu örnek, istatistiğin en önemli kuralını özetler: korelasyon, nedensellik değildir.

Korelasyon ne söyler?

Korelasyon katsayısı (r), iki ölçümün ne kadar birlikte hareket ettiğini −1 ile +1 arasında bir sayıyla gösterir:

  • +1'e yakın: biri artınca diğeri de artar.
  • −1'e yakın: biri artınca diğeri azalır.
  • 0'a yakın: aralarında doğrusal bir ilişki yok.

Örneğin beş öğrencinin çalışma süreleri 1, 2, 3, 4 ve 5 saat, sınav notları 52, 58, 61, 70 ve 74 olsun. Korelasyon r = 0,99 çıkar: çok güçlü bir ilişki. Burada çalışmanın notu artırdığına inanmak için iyi bir neden var. Ama bunu söyleyen korelasyon değil, konuya dair bilgimizdir.

En sık düşülen dört tuzak

  • Gizli neden: Dondurma ve boğulma örneğindeki gibi, ikisini birden etkileyen üçüncü bir etken vardır.
  • Ters yön: Hastanede daha çok zaman geçiren insanların daha hasta olması, hastanenin insanları hasta ettiği anlamına gelmez; hasta oldukları için oradadırlar.
  • Tesadüf: Az sayıda veriyle şaşırtıcı ilişkiler tamamen şans eseri çıkabilir. Bir ülkedeki peynir tüketimi ile bir mesleğin sayısı yıllar içinde birlikte artabilir; aralarında hiçbir bağ yoktur.
  • Çok dar aralık: Yalnızca belli bir aralıktaki veriye bakarsanız ilişki gerçekte olduğundan güçlü ya da zayıf görünebilir.

Haberleri okurken sorulacak sorular

  • Bu iki şeyi birlikte etkileyen başka bir şey olabilir mi?
  • Neden-sonuç ters yönde olabilir mi?
  • Kaç kişi ya da kaç veri üzerinde bakılmış?
  • Bir deney yapılmış mı, yoksa yalnızca gözlem mi var?

"Kahve içenler daha uzun yaşıyor" gibi başlıklar çoğunlukla gözleme dayanır. Kahve içenlerin başka alışkanlıkları da farklı olabilir. Nedenselliği göstermenin en güçlü yolu, insanların rastgele gruplara ayrıldığı kontrollü deneylerdir.

Korelasyon işe yaramaz mı?

Tam tersine, çok işe yarar. Bir ilişkinin varlığını görmek, nedenini araştırmanın ilk adımıdır. Regresyon doğrusuyla geçmiş veriden makul tahminler yapmak da mümkündür. Yeter ki "birlikte artıyor" ile "biri diğerine neden oluyor" arasındaki farkı akılda tutun.

Korelasyon katsayısı nasıl yorumlanır?

Kesin sınırlar alana göre değişse de kabaca şöyle okunur:

  • 0 ile 0,3 arası (artı ya da eksi): zayıf ilişki
  • 0,3 ile 0,7 arası: orta düzeyde ilişki
  • 0,7 ile 1 arası: güçlü ilişki

Bir de R² değeri vardır; korelasyon katsayısının karesidir. Çalışma süresi örneğinde r = 0,99, R² = 0,98'dir. Bu, notlardaki farklılığın yaklaşık %98'inin çalışma süresiyle açıklanabildiği anlamına gelir. Gerçek hayatta bu kadar yüksek değerler nadirdir; sosyal bilimlerde 0,3–0,5 arası korelasyonlar bile dikkate değer kabul edilir.

Tek bir aykırı değer her şeyi değiştirebilir

Aynı öğrencilere altıncı bir öğrenci ekleyelim: 6 saat çalışmış ama sınav günü hastalandığı için 40 almış. Bu tek değer korelasyonu 0,99'dan neredeyse sıfıra, yaklaşık −0,01'e düşürür. Az veriyle çalışırken bir veya iki aykırı değer sonucu tamamen değiştirebilir. Bu yüzden korelasyona bakmadan önce verinizi bir grafikte görmek ve sıra dışı değerleri kontrol etmek her zaman iyi bir fikirdir.

Korelasyon ve regresyon hesaplayıcısı iki veri setinin ne kadar birlikte hareket ettiğini ve regresyon doğrusunu gösterir. İstatistik hesaplayıcısı verinizin ortalamasını ve yayılımını, örneklem büyüklüğü hesaplayıcısı da güvenilir sonuç için kaç veriye ihtiyacınız olduğunu hesaplar.