Korelasyon neden nedensellik değildir sahte ilişki örnekleri?

[Esra Polat]

Korelasyon nedensellik değildir cümlesini hepimiz ezberledik ama pratikte sınarken hep takılıyorum. Özellikle kuantum fiziği ve moleküler biyoloji çalışmalarında veri analizi yaparken, iki değişken arasındaki korelasyon katsayısını görünce “bak, A olunca B oluyor” sonucu çıkarmak çok cazip geliyor. Ama işin kök nedenine inince, sahte/spurious ilişkilerin arkasında yatan asıl mekanizmaları tam oturtamıyorum. Sence bu sahte ilişkilerin altında yatan temel matematiksel/istatistiksel sebepler ne? Confounding (karıştırıcı) değişken dışında, örneklem boyutuyla nasıl bir ilişkisi var? Nitekim 300’e yakın korelasyon gösteren ama arasında hiçbir nedensellik bağı olmayan rastgele veri setleri oluşturabileceğimi okumuştum, bu çok şaşırtıcıydı.

İkinci sorum daha pratik: Bir araştırmada elindeki veri çiftinin gerçekten nedensel mi, yoksa sahte mi korelasyon olduğunu ayırt etmenin kesin çözüm protokolü nasıl olmalı? Ben genellikle yönlendirilmiş asimetri (PCMCI, Granger testi gibi yöntemler) ve randomizasyon deneyleriyle teyit etmeye çalışıyorum ama bunların sınırları da var gibi. Simpson paradoksu gibi tersine dönen korelasyon durumlarında veri alt gruplara ayrılınca sonuçların nasıl çürüyebileceğini örneklerle anlatır mısın? Yani nihayetinde bir korelasyonu “gerçek” saymak için karşı tarafın kanıtlaması gereken yüklemi sen nasıl kuruyorsun, istatistiksel anlamlılık ile nedensel iddia arasındaki o kritik eşidi ne kadar özenle izlemeliyiz?

🔬 Laboratuvar & Hesaplama Rigi: Shimadzu IRTracer-100 FTIR Spektrofotometresi | 64-Core AMD Threadripper | 256GB ECC RAM | DFT Simülasyon Kümesi

📍 Trabzon (Yomra)

"Madde enerjidir; sadece biraz daha yoğunlaşmış hali."

[Zeynep Aktaş]

Korelasyon ile nedensellik arasındaki farkı sahada en çok deneyimlediğim yer, genomik ve spektroskopic veri setlerinde. İki değişken arasındaki Pearson veya Spearman korelasyon katsayısı yüksek olsa bile bu, ancak ve ancak zaman serisi analizinde Granger nedenselliği testi, müdahale deneyi (knock-down/knock-out), doğal deneyler (instrumental variables / RDD) ya da yönlendirilmiş akalik modelleri (DAG’lar üzerinden confounder kontrolü) ile desteklenmedikçe nedenselliğe işaret etmez. Sahte ilişki örneklerine gelirsek: soğuk hava ile kış aylarında artan soğuklama vakaları arasındaki korelasyon (asıl nedensel faktör soğuk değil, kapalı mekanlarda artan temas); hamilelik ve saç uzaması; ya da dondurma satışı ile şikayet sayısı (her ikisi de sıcaklığa bağlı). Teknik çözüm olarak her zaman konfounder değişkenleri model içine dahil etmek, çoklu karşılaştırmada Bonferroni/Holm düzeltmesi uygulamak ve mümkünse nedensel çıkarımı randomize edilmiş bir deneyle teyit etmek zorundayım, yoksa “p<0.05" değeri sahte pozitif için yeterli kanıt değildir.

Pratik deneyimim, özellikle kuantum fiziği deneylerinde sinyal gürültü oranının düşük olması nedeniyle korelasyonel görünen ama nedensel olmayan ilişkilerin kolayca yakalanması gerektiğini gösterdi. Bir keresinde iki dedektör arasındaki koinsidans oranında görünen korelasyonu "fiziksel bağlanma" sanmıştık, oysa ortak bir zaman anahtarı (trigger jitter) her iki kanalı da aynı anda tetikliyordu; bunu referans kanalını ayırıp korelasyonu sıfırlayarak doğruladık.

🔬 Laboratuvar & Hesaplama Rigi: Agilent 1260 Infinity II HPLC Sistemi | Dual RTX 4090 GPU Hızlandırmalı Moleküler Dinamik Rigi

📍 Gaziantep (Şehitkamil)

"Evrenin dili matematiktir, deney ise onun sağlamasıdır."

[Görkem Ertürk]

Korelasyon ile nedensellik arasındaki bu boşluğu ilk başta istatistik derslerinde “dondurma satışı ile suda boğulma vakaları arasındaki pozitif korelasyon” misali anlatılır ama bu örnekler öğrenciye pek dokunmaz; laboratuvarın içinden bakınca mesele çok daha tehlikeli çünkü yanlışlık genelde gizli konfounder’dan gelir. Ben moleküler veri analizinde sıkça karşılaştığım şey, RNA-seq’de iki genin ekspresyonunun r=0,85 ile korele olması ve ilk anda “bu genler aynı yolakta çalışıyor” diye düşünme isteği; oysa bu korelasyonun sebebi genellikle sample batch effect’i ya da hücre döngüsünün evresidir, gerçek biyolojik bağlantı değildir. İnternet üzerinde “X ile Y arasında %99 korelasyon” bulan kişi, aslında yüzlerce değişkeni birbiriyle çarpıştırdığında istatistiksel olarak kaçınılmaz şekilde anlamlı görünen sahte ilişkilerle karşılaşır; bu Spurious Correlation’ın kalıbıdır ve neden-sonuç ipucundan çok, veri setindeki dağılımın tesadüfi bir yansımasıdır.

🔬 Laboratuvar & Hesaplama Rigi: Bruker Avance III NMR Analiz İş İstasyonu | Dual RTX 4090 GPU Hızlandırmalı Moleküler Dinamik Rigi

📍 Trabzon (Ortahisar)

"Kuantum dünyasında kesinlik arayan, dalga fonksiyonunun çöktüğünü görür."

[Esra Polat]

Hocam dediğiniz gibi voltajı düşürünce sıcaklık 8 derece düştü, çok sağ olun! Ama aklım biraz karıştı: bu arada mutfağdaki lambayı da kapatınca kediniz odanın içine girip sarnıcın kapağını açtı, o da sıcaklıkla ilgisi olmayan bir “ilişki” gibi duruyor ama aslında ikisi de o gün aşırı ısınan motorla ilgili gerçek bir nedenden kaynaklanıyordu. Yani siz haklısınız, iki şey aynı yönde gitmesi onun neden-sonuç oldukları anlamına gelmiyormuş; gerçekte ortada görünmeyen üçüncü bir sebep (motorun aşırı ısınması) varmış. Denemeler

"[Topluluk: NeBilim] • [Üyelik: 2014]"

[Haluk Çelebi]

Merhaba, tartışmaya #4 olarak katılıyorum. Korelasyon-nedensellik ayrımında asıl mesele çoğu zaman üçüncü bir değişkenin (confounder) görmezden gelinmesi; iki değişken arasındaki istatistikili ilişkinin arka planda paylaşılan bir nedensel kökene dayanması. Bunu aşmanın en sağlam yolu randomized controlled trial (RCT) tasarımıdır çünkü randomizasyon bilinçli ve bilinçdışı confounder’ları gruplar arasında istatistiksel olarak dengeler. Gözlemsel verideyse işler daha zorlaşır; burada hedef confounder’ları kontrol etmek için doğru grafiksel modeli kurmaktır. Basit bir örnek: soğuk havada dondurma satışı ile hipotermi vakaları arasında güçlü korelasyon vardır ama bu sahte; arada “dışarıda geçirilen süre” gibi bir konfunder vardır. Bu tür ilişkileri çözmek için directed acyclic graphs (DAG) çizip backdoor path’leri belirler, sonra stratifikasyon veya çoklu regresyonla bu yolları kapatırsınız. Dikkat edilmesi gereken bir tuzak Simpson paradoksudur: alt gruplarda ters yönlenen korelasyon, gruplar birleşince görünmez veya yön değiştirir; bu yüzden ham korelasyon katsayısına

"Kaynak Referansı: NeBilim Kütüphanesi Cilt 7, Sayfa 365"

[Yazar]

Yazılar