Cum hoc ergo propter hoc: cos’è, incapacità di dedurre

La frase “correlazione non implica causalità” si riferisce all’incapacità di dedurre legittimamente una relazione di causa ed effetto tra due eventi o variabili esclusivamente sulla base di un’associazione o differenze osservate tra di essi. L’idea che “la divergenza implica la causalità” è un esempio di errore logico di causa discutibile , in cui si ritiene che due eventi che si verificano insieme abbiano stabilito una relazione di causa ed effetto. Questo errore è noto anche con la frase latina cum hoc ergo propter hoc (“con questo, quindi a causa di questo”). Ciò differisce dalla fallacia nota comepost hoc ergo propter hoc(“dopo questo, quindi a causa di questo”), in cui un evento che segue un altro è visto come una conseguenza necessaria del primo evento, e da conflazione , la fusione errante di due eventi, idee, database, ecc., in uno.

Come con qualsiasi errore logico, identificare che il ragionamento alla base di un argomento è visto non implica necessariamente che la conclusione risultante sia falsa. Sono stati proposti metodi statistici che utilizzano la correlazione come base per i test di ipotesi per la causalità, incluso il test di causalità di Granger e la mappatura incrociata convergente .

Uso e significato dei termini

“Insinuare”

Nell’uso occasionale, la parola “implica” significa vagamente suggerisce , piuttosto che richiede . Tuttavia, in logica , l’uso tecnico della parola “implica” significa “è una condizione sufficiente per”. Questo è il significato inteso dagli statistici quando dicono che la causalità non è certa. Infatti, p implica che q ha il significato tecnico del condizionale materiale : se p allora q simboleggiato come p → q . Cioè, “se la circostanza p è vera, allora q segue”. In tal senso, è sempre corretto dire “la correlazione non implica la causalità”.

“Causa”

La parola ” causa ” (o “causa”) ha molteplici significati in inglese. Nella terminologia filosofica. “causa” può riferirsi a cause necessarie, sufficienti o contributive . Nell’esaminare la correlazione, “causa” è più spesso usato per indicare “una causa contribuente” (ma non necessariamente l’unica causa contribuente).

Se c’è causalità, c’è correlazione ma anche una sequenza temporale da causa a effetto, un meccanismo plausibile, e talvolta cause comuni e intermedie. La correlazione è spesso usata per inferire la causalità perché è una condizione necessaria : cioè, se A causa B, allora A e B devono necessariamente essere correlati. Tuttavia non è una condizione sufficiente .

L’analfabetismo e l’estinzione dei dinosauri possono essere correlati, ma ciò non significherebbe che le variabili avessero una relazione causale.

Analisi causale

L’analisi causale è il campo della progettazione sperimentale e delle statistiche relative alla determinazione di causa ed effetto. Per ogni coppia di eventi correlati, A e B, ci sono quattro possibili relazioni:

  • A causa B (causalità diretta);
  • B causa A (causalità inversa);
  • A e B sono entrambi causati da C (causa comune);
  • Non c’è connessione tra A e B; la correlazione è una coincidenza .

Queste relazioni non si escludono a vicenda; possono esistere in qualsiasi combinazione esistente. Ad esempio, è possibile che sia A possa causare l’effetto B che B può causare l’effetto A (causalità bidirezionale o ciclica).

Non si può quindi trarre alcuna conclusione riguardo all’esistenza o alla direzione di una relazione di causa ed effetto solo dal fatto che A e B sono correlati. Determinare se esista un’effettiva relazione causa-effetto e, in tal caso, quale sia la direzione della causalità, richiede ulteriori indagini. Se la relazione tra A e B è statisticamente significativa , la relazione finale nell’elenco precedente (“coincidenza”) può essere statisticamente esclusa, ma la correlazione stessa non chiarirà se A ha causato B, B ha causato A o A e B sono stati entrambi causati da qualche altro effetto, C.

In filosofia e fisica

La natura della causalità è sistematicamente indagata in diverse discipline accademiche , incluse la filosofia e la fisica .

Nel mondo accademico esiste un numero significativo di teorie sulla causalità; L’Oxford Handbook of Causation ( Beebee, Hitchcock & Menzies 2009 ) comprende 770 pagine. Tra le teorie più influenti all’interno della filosofia ci sono le Quattro cause di Aristotele e l ‘ occasionalismo di Al-Ghazali . David Hume ha sostenuto che le convinzioni sulla causalità sono basate sull’esperienza e l’esperienza si basa in modo simile sul presupposto che il futuro modella il passato, che a sua volta può essere basato solo sull’esperienza, il che porta alla logica circolare . In conclusione, ha affermato che la causalità non si basa su un ragionamento effettivo: solo la correlazione può effettivamente essere percepita. Immanuel Kant , secondo Beebee, Hitchcock & Menzies (2009) , sosteneva che “un principio causale secondo il quale ogni evento ha una causa, o segue secondo una legge causale, non può essere stabilito per induzione come affermazione puramente empirica, poiché allora mancherebbe di stretta universalità, o necessità”.

Al di fuori del campo della filosofia, le teorie della causalità possono essere identificate nella meccanica classica , nella meccanica statistica , nella meccanica quantistica , nelle teorie dello spaziotempo , nella biologia , nelle scienze sociali e nel diritto . Per stabilire una correlazione come causale all’interno della fisica , si intende normalmente che la causa e l’effetto debbano connettersi attraverso un meccanismo locale (cfr. ad esempio il concetto di impatto ) o un meccanismo non locale (cfr. il concetto di campo ), secondo con le note leggi della natura .

Dal punto di vista della termodinamica , le proprietà universali delle cause rispetto agli effetti sono state identificate attraverso la Seconda Legge della Termodinamica , confermando la visione antica, medievale e cartesiana che “la causa è maggiore dell’effetto” per il caso particolare della termodinamica energia libera . Ciò a sua volta è contestato dalle interpretazioni popolari dei concetti di sistemi non lineari e dell’effetto farfalla in cui piccoli eventi causano grandi effetti a causa, rispettivamente, dell’imprevedibilità e di un’improbabile attivazione di grandi quantità di energia potenziale .

Causalità interpretata da stati controfattuali

Intuitivamente, la causalità sembra richiedere non solo una correlazione, ma una dipendenza controfattuale . Supponiamo che uno studente si sia comportato male in un test e suppone che la causa sia stata il fatto che non ha studiato. Per dimostrarlo, si pensa al controfattuale: lo stesso studente che scrive lo stesso test nelle stesse circostanze ma che ha studiato la sera prima. Se si potesse riavvolgere la storia e cambiare solo una piccola cosa (far studiare lo studente per l’esame), allora si potrebbe osservare il nesso di causalità (confrontando la versione 1 con la versione 2). Poiché non è possibile riavvolgere la storia e riprodurre gli eventi dopo aver apportato piccole modifiche controllate, la causalità può essere solo dedotta, mai conosciuta esattamente. Questo è indicato come il problema fondamentale dell’inferenza causale: è impossibile osservare direttamente gli effetti causali.

Uno degli obiettivi principali degli esperimenti scientifici e dei metodi statistici è quello di approssimare nel miglior modo possibile lo stato controfattuale del mondo. Ad esempio, si potrebbe eseguire un esperimento su gemelli identici noti per ottenere costantemente gli stessi voti nei loro test. Un gemello viene mandato a studiare per sei ore mentre l’altro viene mandato al parco dei divertimenti. Se i loro punteggi dei test improvvisamente divergessero in larga misura, sarebbe una forte prova che lo studio (o l’andare al parco dei divertimenti) ha avuto un effetto causale sui punteggi dei test. In tal caso, la correlazione tra lo studio e i punteggi dei test implicherebbe quasi certamente un nesso di causalità.

Studi sperimentali ben progettatisostituire l’uguaglianza degli individui come nell’esempio precedente con l’uguaglianza dei gruppi. L’obiettivo è quello di costruire due gruppi che siano simili tranne che per il trattamento che i gruppi ricevono. Ciò si ottiene selezionando soggetti da una singola popolazione e assegnandoli casualmente a due o più gruppi. La probabilità che i gruppi si comportino in modo simile tra loro (in media) aumenta con il numero di soggetti in ciascun gruppo. Se i gruppi sono essenzialmente equivalenti tranne che per il trattamento che ricevono, e si osserva una differenza nell’esito per i gruppi, allora ciò costituisce la prova che il trattamento è responsabile dell’esito, o in altre parole il trattamento causa l’effetto osservato. Tuttavia, un effetto osservato potrebbe anche essere causato “per caso”, ad esempio a seguito di perturbazioni casuali nella popolazione.Valore P ).

Causalità prevista da un’estrapolazione delle tendenze

Quando gli studi sperimentali sono impossibili e sono disponibili solo dati preesistenti, come di solito accade ad esempio in economia , è possibile utilizzare l’analisi di regressione . I fattori diversi dalla potenziale variabile causale di interesse vengono controllati includendoli come regressori in aggiunta al regressore che rappresenta la variabile di interesse. False inferenze di causalità dovute a causalità inversa (o stime errate dell’entità della causalità a causa della presenza di causalità bidirezionale) possono essere evitate utilizzando esplicatori (regressori) che sono necessariamente esogeni, come esplicatori fisici come la quantità di precipitazioni (come determinante, ad esempio, dei prezzi dei futures), variabili ritardate i cui valori sono stati determinati prima che fosse determinato il valore della variabile dipendente, variabili strumentali per gli esplicatori (scelte in base alla loro nota esogeneità), ecc. Vedi la causalità in statistica ed economia . La correlazione spuria dovuta all’influenza reciproca di una terza variabile causativa comune è più difficile da evitare: il modello deve essere specificato in modo tale che vi sia una ragione teorica per ritenere che nessuna variabile causale sottostante sia stata omessa dalla sua analisi.

Esempi di inferire illogicamente la causalità dalla correlazione

B causa A (causalità inversa o causalità inversa)

La causalità inversa o la causalità inversa o la direzione sbagliata è un errore informale di causa discutibile in cui causa ed effetto sono invertiti. Si dice che la causa sia l’effetto e viceversa.

Esempio 1
Più velocemente si osserva che i mulini a vento ruotano, più vento si osserva.
Pertanto, il vento è causato dalla rotazione dei mulini a vento. (O, in poche parole: i mulini a vento, come indica il loro nome, sono macchine utilizzate per produrre vento.)

In questo esempio, la correlazione (simultaneità) tra l’attività del mulino a vento e la velocità del vento non implica che il vento sia causato dai mulini a vento. È piuttosto il contrario, come suggerisce il fatto che il vento non ha bisogno dei mulini a vento per esistere, mentre i mulini a vento hanno bisogno del vento per ruotare. Il vento può essere osservato in luoghi dove non ci sono mulini a vento o mulini a vento non rotanti, e ci sono buone ragioni per credere che il vento esistesse prima dell’invenzione dei mulini a vento.

Esempio 2
I soggetti con colesterolo basso correlano con un aumento della mortalità.
Pertanto, il colesterolo basso aumenta il rischio di mortalità.

È il contrario poiché la malattia, come il cancro, provoca un basso livello di colesterolo a causa di una miriade di fattori, come la perdita di peso e un aumento della mortalità. Questo si vede anche con gli ex fumatori. Gli ex fumatori hanno maggiori probabilità di morire di cancro ai polmoni rispetto ai fumatori attuali. Quando ai fumatori per tutta la vita viene detto che hanno il cancro ai polmoni, molti smettono di fumare. Questo cambiamento può far sembrare che gli ex fumatori abbiano maggiori probabilità di morire di cancro ai polmoni rispetto ai fumatori attuali. Questo può essere visto anche negli alcolisti. Quando agli alcolisti viene diagnosticata la cirrosi epatica, molti smettono di bere. Tuttavia, sperimentano anche un aumento del rischio di mortalità. In questi casi, sono le malattie che causano un aumento del rischio di mortalità, ma l’aumento della mortalità è attribuito agli effetti benefici che seguono la diagnosi, facendo sembrare malsani i cambiamenti sani.

Esempio 3

In altri casi può semplicemente non essere chiaro quale sia la causa e quale l’effetto. Per esempio:

I bambini che guardano molta TV sono i più violenti. Chiaramente, la TV rende i bambini più violenti .

Questo potrebbe facilmente essere il contrario; cioè ai bambini violenti piace guardare più TV di quelli meno violenti.

Esempio 4

Una correlazione tra l’uso di droghe ricreative e i disturbi psichiatrici potrebbe essere in entrambi i modi: forse le droghe causano i disturbi, o forse le persone usano droghe per automedicare condizioni preesistenti. La teoria della droga gateway può sostenere che l’uso di marijuana porta all’uso di droghe pesanti, ma l’uso di droghe pesanti può portare all’uso di marijuana (vedi anche confusione dell’inverso ). In effetti, nelle scienze sociali in cui gli esperimenti controllati spesso non possono essere utilizzati per discernere la direzione della causalità, questo errore può alimentare argomentazioni scientifiche di vecchia data. Uno di questi esempi può essere trovato nell’economia dell’istruzione , tra ilscreening / segnalazione e modelli di capitale umano : potrebbe essere che avere un’abilità innata consenta di completare un’istruzione o che completare un’istruzione costruisca la propria abilità.

Esempio 5

Un esempio storico di ciò è che gli europei nel Medioevo credevano che i pidocchi fossero benefici per la salute poiché raramente ci sarebbero stati pidocchi sui malati. Il ragionamento era che le persone si sono ammalate perché i pidocchi se ne sono andati. La vera ragione però è che i pidocchi sono estremamente sensibili alla temperatura corporea . Un piccolo aumento della temperatura corporea, come in caso di febbre , induce i pidocchi a cercare un altro ospite. Il termometro medico non era ancora stato inventato e quindi raramente si notava l’aumento della temperatura. Successivamente sono comparsi sintomi evidenti, che hanno dato l’impressione che i pidocchi se ne fossero andati prima che la persona si ammalasse.

In altri casi, due fenomeni possono essere ciascuno causa parziale dell’altro; considera la povertà e la mancanza di istruzione, o la procrastinazione e la scarsa autostima. Chi argomenta sulla base di questi due fenomeni deve però stare attento a evitare la fallacia della circolarità di causa e conseguenza . La povertà è causa di mancanza di istruzione, ma non è l’ unica causa, e viceversa.

Il terzo fattore C (la variabile causale comune) causa sia A che B

L’ errore della causa terza (noto anche come ignorare una causa comune o una causa discutibile ) è un errore logico in cui una relazione spuria viene confusa con la causalità . Afferma che X causa Y quando in realtà sia X che Y sono causati da Z. È una variazione dell’errore post hoc ergo propter hoc e un membro del gruppo di errori di causa discutibile .

Tutti questi esempi riguardano una variabile in agguato , che è semplicemente una terza variabile nascosta che influisce su entrambe le cause della correlazione. Sorge spesso una difficoltà anche quando il terzo fattore, sebbene fondamentalmente diverso da A e B, è così strettamente correlato ad A e/o B da essere confuso con essi o molto difficile da districare scientificamente da essi (vedi Esempio 4).

Esempio 1
Dormire con le scarpe è fortemente correlato al risveglio con mal di testa.
Pertanto, dormire con le scarpe provoca mal di testa.

L’esempio precedente commette l’errore di correlazione-implica-causalità, poiché conclude prematuramente che dormire con le scarpe provoca mal di testa. Una spiegazione più plausibile è che entrambi siano causati da un terzo fattore, in questo caso l’andare a letto ubriachi , il che dà quindi origine a una correlazione. Quindi la conclusione è falsa.

Esempio 2
I bambini piccoli che dormono con la luce accesa hanno molte più probabilità di sviluppare la miopia in età avanzata.
Pertanto, dormire con la luce accesa provoca miopia.

Questo è un esempio scientifico scaturito da uno studio del Medical Center dell’Università della Pennsylvania Pubblicato nel numero di Nature del 13 maggio 1999, lo studio ricevette all’epoca molta copertura dalla stampa popolare. Tuttavia, uno studio successivo presso la Ohio State University non ha scoperto che i bambini che dormono con la luce accesa causano lo sviluppo della miopia. Ha trovato un forte legame tra la miopia dei genitori e lo sviluppo della miopia infantile, rilevando anche che i genitori miopi erano più propensi a lasciare una luce accesa nella camera dei loro figli. In questo caso, la causa di entrambe le condizioni è la miopia dei genitori e la conclusione di cui sopra è falsa.

Esempio 3
Con l’aumento delle vendite di gelati, il tasso di morti per annegamento aumenta notevolmente.
Pertanto, il consumo di gelato provoca l’annegamento.

Questo esempio non riconosce l’importanza del periodo dell’anno e della temperatura per le vendite di gelati. Il gelato viene venduto durante i caldi mesi estivi a un ritmo molto maggiore rispetto ai periodi più freddi, ed è durante questi caldi mesi estivi che è più probabile che le persone si dedichino ad attività che coinvolgono l’acqua, come il nuoto . L’aumento delle morti per annegamento è semplicemente causato da una maggiore esposizione ad attività acquatiche, non al gelato. La conclusione dichiarata è falsa.

Esempio 4
Uno studio ipotetico mostra una relazione tra i punteggi di ansia del test e i punteggi di timidezza, con un valore statistico r (forza di correlazione) di +.59.
Pertanto, si può semplicemente concludere che la timidezza, in parte, influenza causalmente l’ansia da test.

Tuttavia, come riscontrato in molti studi psicologici, si scopre un’altra variabile, un “punteggio di autocoscienza”, che ha una correlazione più netta (+.73) con la timidezza. Ciò suggerisce un possibile problema di “terza variabile”, tuttavia, quando vengono trovate tre misure così strettamente correlate, suggerisce inoltre che ciascuna può avere tendenze bidirezionali (vedere ” variabile bidirezionale “, sopra), essendo un gruppo di valori correlati ciascuno che si influenza a vicenda in una certa misura. Pertanto, la semplice conclusione di cui sopra potrebbe essere falsa.

Esempio 5
Dagli anni ’50, sia il livello di CO2 atmosferico che i livelli di obesità sono aumentati notevolmente.
Quindi, la CO 2 atmosferica provoca l’obesità.

Le popolazioni più ricche tendono a mangiare più cibo ea produrre più CO 2 .

Esempio 6
Il colesterolo HDL (“buono”) è correlato negativamente con l’incidenza di infarto.
Pertanto, l’assunzione di farmaci per aumentare l’HDL diminuisce la possibilità di avere un attacco di cuore.

Ulteriori ricerche hanno messo in discussione questa conclusione. Invece, può darsi che altri fattori sottostanti, come i geni, la dieta e l’esercizio fisico, influenzino sia i livelli di HDL sia la probabilità di avere un infarto; è possibile che i farmaci possano influenzare il fattore direttamente misurabile, i livelli di HDL, senza influenzare la possibilità di infarto.

Causalità bidirezionale: A causa B e B causa A

La causalità non è necessariamente a senso unico; in una relazione predatore-preda , i numeri dei predatori influenzano i numeri delle prede, ma anche i numeri delle prede, cioè la disponibilità di cibo, influenzano i numeri dei predatori. Un altro esempio ben noto è che i ciclisti hanno un indice di massa corporea inferiore rispetto alle persone che non vanno in bicicletta. Ciò è spesso spiegato supponendo che il ciclismo aumenti i livelli di attività fisica e quindi riduca il BMI. Poiché i risultati di studi prospettici su persone che aumentano l’uso della bicicletta mostrano un effetto minore sull’IMC rispetto agli studi trasversali, potrebbe esserci anche qualche causalità inversa (ovvero le persone con un BMI inferiore hanno maggiori probabilità di andare in bicicletta).

La relazione tra A e B è casuale

Le due variabili non sono affatto correlate, ma correlate per caso. Più cose vengono esaminate, più è probabile che due variabili non correlate sembrino correlate. Per esempio:

  • Il risultato dell’ultima partita casalinga dei Washington Commanders prima delle elezioni presidenziali prevedeva l’esito di ogni elezione presidenziale dal 1936 al 2000 compreso , nonostante il fatto che i risultati delle partite di calcio non avessero nulla a che fare con l’esito delle elezioni popolari. Questa serie è stata finalmente interrotta nel 2004 (o nel 2012 utilizzando una formulazione alternativa della regola originale).
  • La legge Mierscheid , che correla la quota del voto popolare del Partito socialdemocratico tedesco con la dimensione della produzione di acciaio grezzo nella Germania occidentale.
  • Alternanza di leader russi calvi e pelosi : un leader di stato russo calvo (o ovviamente calvo) è succeduto a uno non calvo (“peloso”), e viceversa, per quasi 200 anni.
  • Il codice biblico , parole ebraiche che predicevano eventi storici presumibilmente nascosti all’interno della Torah : l’enorme numero di combinazioni di lettere rende statisticamente insignificanti le apparizioni di qualsiasi parola in un testo sufficientemente lungo.

Uso della correlazione come prova scientifica

Gran parte delle prove scientifiche si basa su una correlazione di variabili che si osservano verificarsi insieme. Gli scienziati sono attenti a sottolineare che la correlazione non significa necessariamente causalità. L’ipotesi che A causi B semplicemente perché A è correlato a B spesso non è accettata come forma legittima di argomentazione.

Tuttavia, a volte le persone commettono l’errore opposto di ignorare completamente la correlazione. Ciò respingerebbe una vasta gamma di importanti prove scientifiche. Dal momento che può essere difficile o eticamente impossibile eseguire studi controllati in doppio cieco , l’evidenza correlazionale da diverse angolazioni può essere utile per la previsione nonostante non sia in grado di fornire prove di causalità. Ad esempio, gli assistenti sociali potrebbero essere interessati a sapere in che modo l’abuso sui minori è correlato al rendimento scolastico. Sebbene non sarebbe etico eseguire un esperimento in cui i bambini vengono assegnati in modo casuale a ricevere o meno abusi, i ricercatori possono esaminare i gruppi esistenti utilizzando un disegno correlazionale non sperimentale. Se in effetti esiste una correlazione negativa tra abuso e rendimento scolastico, i ricercatori potrebbero potenzialmente utilizzare questa conoscenza di una correlazione statistica per fare previsioni sui bambini al di fuori dello studio che subiscono abusi anche se lo studio non è riuscito a fornire prove causali che l’abuso riduca il rendimento scolastico. La combinazione delle limitate metodologie disponibili con l’abbassante errore di correlazione è stata occasionalmente utilizzata per contrastare una scoperta scientifica. Ad esempio, ilL’industria del tabacco ha storicamente fatto affidamento su un rifiuto delle prove di correlazione per rifiutare un legame tra tabacco e cancro ai polmoni , come ha fatto il biologo e statistico Ronald Fisher , spesso a suo favore.

La correlazione è un prezioso tipo di prova scientifica in campi come la medicina, la psicologia e la sociologia. Le correlazioni devono prima essere confermate come reali e ogni possibile relazione causale deve quindi essere sistematicamente esplorata. Alla fine, la correlazione da sola non può essere utilizzata come prova di una relazione di causa ed effetto tra un trattamento e un beneficio, un fattore di rischio e una malattia, o un fattore sociale o economico e vari esiti. È uno dei tipi di prova più abusati perché è facile e persino allettante giungere a conclusioni premature basate sull’apparenza preliminare di una correlazione.


https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *