448. Korelacja a przyczynowość – przykłady pozornych zależności

Korelacja jest użytecznym opisem współzmienności dwóch zmiennych, ale nie odpowiada jeszcze na pytanie, czy jedna z nich powoduje zmianę drugiej. To rozróżnienie ma szczególne znaczenie w medycynie, psychologii, zdrowiu publicznym i naukach społecznych, ponieważ błędna interpretacja związku może prowadzić do niewłaściwych zaleceń klinicznych, nietrafnych decyzji organizacyjnych albo niesłusznego obwiniania określonych grup. W tej lekcji, będącej częścią podręcznika do szkolenia metodologicznego na statystyk.edu.pl, prześledzimy mechanizmy powstawania pozornych zależności oraz sposoby ostrożnego przechodzenia od obserwacji statystycznej do hipotezy przyczynowej.

1. Trzy różne pojęcia: współzmienność, korelacja i przyczynowość

Asocjacja oznacza, że informacja o jednej zmiennej jest powiązana z informacją o drugiej. Jeżeli na przykład osoby z wyższym poziomem stresu częściej zgłaszają bezsenność, mamy do czynienia z asocjacją. Nie przesądza ona jeszcze, czy stres powoduje bezsenność, bezsenność nasila stres, czy też obie zmienne są kształtowane przez trzeci czynnik.

Korelacja jest pojęciem węższym. W podstawowym zastosowaniu odnosi się do liczbowego opisu określonego rodzaju zależności, najczęściej liniowej w przypadku współczynnika Pearsona albo monotonicznej w przypadku korelacji rangowej Spearmana lub tau Kendalla. Współczynnik korelacji może wskazywać kierunek i siłę wzorca, lecz nie opisuje mechanizmu, który ten wzorzec wytworzył.

Przyczynowość dotyczy pytania kontrfaktycznego: co stałoby się z wynikiem u tej samej osoby, gdyby zmieniono ekspozycję lub zastosowano inną interwencję, przy pozostałych warunkach możliwie porównywalnych? Wnioskowanie przyczynowe wymaga zatem czegoś więcej niż stwierdzenia, że dwie zmienne występują razem. Potrzebne są między innymi: właściwa kolejność czasowa, wiarygodny mechanizm, ograniczenie wpływu czynników zakłócających oraz projekt badania pozwalający odróżnić efekt ekspozycji od selekcji, błędu pomiaru i przypadkowej współzmienności (Pearl, 2009; Hernán i Robins, 2020).

Warto podkreślić, że korelacja może być składnikiem dowodu przyczynowego, ale sama nim nie jest. W badaniu randomizowanym przypisanie interwencji może prowadzić do różnicy wyników między grupami, a tę różnicę można interpretować przyczynowo przy spełnieniu odpowiednich założeń. W badaniu obserwacyjnym nawet silna i statystycznie istotna korelacja wymaga dalszej analizy.

2. Co matematycznie opisuje korelacja?

Dla dwóch zmiennych ilościowych X i Y współczynnik korelacji Pearsona można zapisać następująco:

r = [Σ(xi − x̄)(yi − ȳ)] / √[Σ(xi − x̄)2 · Σ(yi − ȳ)2]

• x_i – wartość zmiennej X u osoby lub jednostki o numerze i;
• y_i – wartość zmiennej Y u tej samej jednostki;
• x̄ i ȳ – średnie arytmetyczne obu zmiennych;
• Σ – sumowanie po wszystkich obserwacjach;
• r – współczynnik zawierający się od −1 do +1.

Współczynnik mówi, czy większym wartościom X towarzyszą przeciętnie większe wartości Y, mniejsze wartości Y albo brak wyraźnego liniowego wzorca. Nie zawiera jednak informacji o tym, która zmienna jest przyczyną, czy istnieje zmienna trzecia oraz czy zależność utrzymałaby się po interwencji.

Przykładowo, jeśli liczba godzin pracy pielęgniarek w oddziale koreluje dodatnio z liczbą zgłaszanych zdarzeń niepożądanych, nie wolno od razu wnioskować, że większa liczba godzin pracy powoduje zdarzenia. Możliwe, że oddziały o cięższym profilu pacjentów wymagają jednocześnie większej obsady i częściej rejestrują zdarzenia. Wtedy ciężkość stanu pacjentów może być czynnikiem zakłócającym.

3. Główne mechanizmy powstawania pozornych zależności

3.1. Konfundowanie, czyli wspólna przyczyna

Konfundowanie występuje wtedy, gdy trzecia zmienna wpływa zarówno na potencjalną ekspozycję, jak i na wynik, przez co obserwowany związek między nimi nie odzwierciedla w pełni badanego efektu. Schemat można przedstawić symbolicznie:

Z → X
Z → Y

Zmienna Z jest wspólną przyczyną X i Y. Jeżeli jej nie uwzględnimy, możemy przypisać zmiennej X wpływ, który w rzeczywistości pochodzi częściowo albo głównie od Z. Diagramy przyczynowe są użytecznym narzędziem do ujawniania takich założeń i planowania pomiaru potencjalnych czynników zakłócających (Greenland, Pearl i Robins, 1999).

3.2. Odwrotna przyczynowość

W badaniu przekrojowym ekspozycja i wynik są mierzone w tym samym czasie. Dlatego może być niejasne, co było wcześniejsze. Jeżeli osoby z objawami depresyjnymi rzadziej podejmują aktywność fizyczną, nie wynika z tego automatycznie, że brak aktywności wywołał depresję. Możliwy jest kierunek odwrotny: obniżony nastrój, zmęczenie i anhedonia ograniczają aktywność.

Odwrotna przyczynowość nie musi oznaczać, że pierwotna hipoteza jest całkowicie błędna. Możliwy jest mechanizm dwukierunkowy: aktywność wpływa na samopoczucie, a samopoczucie wpływa na aktywność. W takim przypadku pojedynczy współczynnik korelacji nie wystarcza do rozdzielenia kierunków oddziaływania.

3.3. Wspólny trend czasowy

Dwie zmienne mogą rosnąć w czasie wyłącznie dlatego, że obie są związane z upływem czasu. Na przykład w kolejnych latach może zwiększać się zarówno liczba rozpoznań określonej choroby, jak i liczba wykonywanych badań diagnostycznych. Korelacja między tymi zmiennymi może być wysoka, ale nie oznacza, że sama liczba badań powoduje wzrost zachorowań. Zmianie mogły ulec kryteria diagnostyczne, struktura wieku populacji, dostęp do świadczeń albo kompletność rejestracji.

W analizach szeregów czasowych trzeba zatem rozważyć sezonowość, trend, autokorelację i zmiany systemowe. Proste zestawienie dwóch rosnących krzywych jest często niewystarczające.

3.4. Błąd selekcji i paradoks Berksona

Zależność może pojawić się lub zniknąć wskutek sposobu doboru badanych. W szpitalu obserwujemy osoby, które trafiły do określonej placówki, a nie losową próbę całej populacji. Jeżeli zarówno ekspozycja, jak i choroba zwiększają prawdopodobieństwo hospitalizacji, to wśród pacjentów może powstać korelacja, która nie występuje w populacji ogólnej. Jest to jedna z wersji problemu selekcji na wspólnym skutku.

Podobny problem dotyczy badań ankietowych. Osoby szczególnie zainteresowane zdrowiem mogą częściej odpowiadać na pytania o styl życia i jednocześnie częściej korzystać z poradnictwa. Uzyskana próba może różnić się od populacji pod względem motywacji, stanu zdrowia i zasobów społecznych.

3.5. Przypadek, wielokrotne testowanie i regresja do średniej

W dużym zbiorze danych część korelacji pojawi się przypadkowo, zwłaszcza gdy badacz analizuje wiele zmiennych, podgrup i punktów czasowych. Jeżeli nie określono wcześniej głównej hipotezy, a raportuje się tylko najbardziej atrakcyjny wynik, rośnie ryzyko selektywnego wnioskowania.

Regresja do średniej może natomiast wywołać pozorną poprawę po pomiarze skrajnego wyniku. Przykładowo osoby zgłaszające się do poradni w dniu wyjątkowo wysokiego ciśnienia mogą przy kolejnym pomiarze uzyskać niższą wartość nawet bez skutecznej interwencji, ponieważ skrajny pierwszy pomiar częściowo wynikał z losowych wahań i błędu pomiaru.

4. Przykład z medycyny: leczenie a ciężkość stanu pacjenta

Wyobraźmy sobie obserwacyjne badanie pacjentów z ostrą niewydolnością oddechową. Analiza wykazuje, że osoby otrzymujące intensywniejsze leczenie mają wyższą śmiertelność niż osoby leczone mniej intensywnie. Czy oznacza to, że intensywne leczenie zwiększa ryzyko zgonu?

Nie musi tak być. Intensywniejsze leczenie jest zwykle stosowane u pacjentów w cięższym stanie, z niższym poziomem utlenowania, większą niewydolnością narządową albo gorszym rokowaniem. Ciężkość stanu jest związana zarówno z wyborem leczenia, jak i z ryzykiem zgonu. W tym schemacie:

ciężkość stanu → intensywność leczenia
ciężkość stanu → zgon

Surowa korelacja między leczeniem a zgonem może zatem odzwierciedlać przede wszystkim fakt, że terapia była kierowana do osób najbardziej zagrożonych. Jest to klasyczny przykład confounding by indication, czyli zakłócenia wskazaniem do leczenia.

Jak można podejść do problemu? Należy precyzyjnie określić moment rozpoczęcia obserwacji, zmierzyć ciężkość stanu przed wdrożeniem leczenia, uwzględnić istotne czynniki prognostyczne i dobrać analizę do pytania przyczynowego. Można wykorzystać między innymi randomizację, jeśli jest etycznie i praktycznie możliwa, albo odpowiednio zaplanowaną analizę obserwacyjną z jawnym diagramem przyczynowym i analizą wrażliwości. Samo porównanie odsetków zgonów nie rozstrzyga problemu.

5. Przykład z psychologii i zdrowia publicznego: media społecznościowe a dobrostan

Załóżmy, że badanie przekrojowe wykazało, iż większy czas korzystania z mediów społecznościowych wiąże się z niższym dobrostanem psychicznym młodzieży. Taki wynik może być ważnym sygnałem, ale nie uzasadnia prostego komunikatu: „media społecznościowe powodują obniżenie dobrostanu”.

Po pierwsze, możliwa jest odwrotna przyczynowość: młodzi ludzie doświadczający samotności, lęku lub obniżonego nastroju mogą częściej sięgać po media społecznościowe. Po drugie, znaczenie ma sposób korzystania z mediów: bierne przeglądanie, aktywna komunikacja, kontakt z grupą wsparcia i ekspozycja na treści wywołujące porównania społeczne nie są tym samym zjawiskiem. Po trzecie, wspólnymi przyczynami mogą być problemy rodzinne, presja szkolna, brak snu, sytuacja ekonomiczna albo wcześniejsze trudności psychiczne.

W badaniu podłużnym można sprawdzić, czy pomiar korzystania z mediów poprzedza późniejszą zmianę dobrostanu. Nadal nie eliminuje to automatycznie wszystkich zakłóceń, ale poprawia ocenę kolejności czasowej. Jeszcze silniejszy projekt może obejmować powtarzane pomiary, precyzyjne określenie ekspozycji, kontrolę wcześniej występujących objawów oraz analizę różnic między osobami i zmian wewnątrz osoby.

6. Jak rozumować od korelacji do hipotezy przyczynowej?

Przydatna jest sekwencja pytań:

1. Jak dokładnie zdefiniowano zmienne? Czy ekspozycja jest rzeczywistym zachowaniem, wynikiem testu, diagnozą, samoopisem czy wskaźnikiem zastępczym?
2. Jaki jest projekt badania? Badanie przekrojowe, kohortowe, kliniczno-kontrolne i randomizowane dostarczają innego rodzaju informacji.
3. Czy ekspozycja poprzedza wynik? Bez właściwej kolejności czasowej interpretacja przyczynowa jest szczególnie słaba.
4. Jakie są możliwe wspólne przyczyny? Należy rozważyć wiek, płeć, stan zdrowia, status społeczno-ekonomiczny, dostęp do opieki, zachowania i czynniki środowiskowe, zależnie od pytania.
5. Czy selekcja do badania mogła zmienić zależność? Trzeba sprawdzić, kto został włączony, kto odmówił udziału i kto miał kompletne dane.
6. Czy wynik jest stabilny? Warto ocenić przedziały ufności, analizę podgrup, wyniki alternatywnych modeli i wpływ obserwacji odstających.
7. Czy istnieje wiarygodny mechanizm? Mechanizm biologiczny lub społeczny wzmacnia interpretację, lecz jego obecność również nie zastępuje dobrego projektu badania.

Wytyczne STROBE przypominają, że w raportowaniu badań obserwacyjnych trzeba jasno przedstawić projekt, dobór uczestników, definicje zmiennych, źródła potencjalnego błędu i sposób analizy. Dzięki temu odbiorca może ocenić, czy przedstawiona asocjacja ma podstawy do ostrożnej interpretacji przyczynowej (von Elm i in., 2007).

7. Znaczenie kryteriów Bradforda Hilla

W dyskusjach o przyczynowości często przywołuje się dziewięć punktów przedstawionych przez Austina Bradforda Hilla: siłę związku, powtarzalność, swoistość, czasowość, gradient biologiczny, wiarygodność, zgodność z innymi danymi, eksperyment i analogię (Hill, 1965). Nie należy jednak traktować ich jak automatycznego testu ani listy warunków, z których każdy musi być spełniony.

Najważniejsza praktyczna zasada dotyczy czasowości: przyczyna musi poprzedzać skutek. Jednocześnie silna korelacja nie jest równoznaczna z przyczynowością, a słaba korelacja nie wyklucza istotnego efektu indywidualnego lub efektu ograniczonego do określonej grupy. Wnioskowanie powinno łączyć wiedzę dziedzinową, projekt badania, analizę błędów i spójność wyników, a nie opierać się na jednym wskaźniku.

8. Przykład praktyczny: interpretacja krótkiego raportu

Raport poradni podaje: „Wśród 300 pacjentów wyższy poziom bólu korelował z większym zużyciem leków przeciwbólowych, r = 0,52, p < 0,001”.

Poprawna interpretacja opisowa brzmi: „W tej próbie osoby z wyższym zgłaszanym natężeniem bólu miały tendencję do większego zużycia leków przeciwbólowych; obserwowana zależność była dodatnia i umiarkowana, a jej oszacowanie było mało zgodne z hipotezą o braku liniowej korelacji w populacji, przy przyjętym modelu i założeniach testu”.

Niepoprawna interpretacja brzmiałaby: „Ból powoduje przyjmowanie leków” albo „leki powodują ból”. Dane mogą być zgodne z kilkoma scenariuszami. Ból może prowadzić do przyjmowania leków, lecz większe dawki mogą być także stosowane u osób z cięższą chorobą. Dodatkowo część pacjentów może raportować ból i stosowanie leków z różną dokładnością. Jeżeli pomiar był jednorazowy, nie znamy dobrze kolejności czasowej.

Praktyczna analiza powinna doprecyzować: czy ból mierzono przed przyjęciem leku, jaki był okres referencyjny, czy uwzględniono rozpoznanie i ciężkość choroby, jak mierzono zużycie leków oraz czy wynik utrzymał się po korekcie o istotne czynniki zakłócające. Dopiero wtedy można ocenić, czy korelacja jest przede wszystkim opisowa, prognostyczna, czy może wspierać określoną hipotezę przyczynową.

Najczęstsze błędy

• Traktowanie wartości p jako dowodu przyczynowości. Wartość p nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa, i nie mierzy wielkości efektu ani jego znaczenia praktycznego.
• Mylenie korelacji z kierunkiem wpływu. Symetryczny charakter korelacji oznacza, że zamiana nazw zmiennych nie zmienia wartości współczynnika.
• Ignorowanie zmiennej trzeciej. Bez rozważenia konfundowania łatwo przypisać efekt ekspozycji czynnikowi wspólnemu.
• Wyciąganie wniosków z badania przekrojowego o procesie w czasie. Jednoczesny pomiar nie rozstrzyga kolejności zdarzeń.
• Kontrolowanie każdej dostępnej zmiennej bez modelu przyczynowego. Niektóre zmienne mogą być mediatorami albo wspólnymi skutkami i ich mechaniczne uwzględnienie może wprowadzać nowe zniekształcenie.
• Uogólnianie wyników poza badaną populację. Korelacja w grupie pacjentów poradni nie musi mieć takiej samej wartości w populacji ogólnej.
• Koncentrowanie się wyłącznie na istotności statystycznej. Należy raportować także wielkość efektu, przedział ufności, jakość pomiaru i znaczenie kliniczne.
• Wybieranie tylko atrakcyjnych korelacji. Wielokrotne przeszukiwanie danych zwiększa ryzyko wyników przypadkowych i wymaga przejrzystego raportowania analiz.

Co warto zapamiętać?

• Korelacja opisuje współzmienność, a przyczynowość odnosi się do efektu zmiany ekspozycji.
• Silna korelacja może być pozorna, jeśli wynika z konfundowania, selekcji, wspólnego trendu czasowego albo przypadku.
• W badaniach przekrojowych szczególnie trudne jest rozstrzygnięcie kolejności przyczynowej i skutkowej.
• Wnioskowanie przyczynowe wymaga jawnych założeń, właściwego projektu, kontroli błędów i wiedzy dziedzinowej.
• Warto odróżniać pytanie opisowe: „czy zmienne współwystępują?”, prognostyczne: „czy jedna pomaga przewidywać drugą?”, oraz przyczynowe: „co zmieni się po interwencji?”.
• Wynik statystycznie istotny nie musi być ważny klinicznie, społecznie ani praktycznie.
• Najbezpieczniejszy język raportowania obserwacji to „wiązało się z”, „towarzyszyło”, „zaobserwowano asocjację”, a nie automatycznie „spowodowało”.

Rozróżnienie korelacji i przyczynowości nie oznacza, że badania korelacyjne są mało wartościowe. Mogą służyć do opisu populacji, generowania hipotez, identyfikowania grup ryzyka, budowania modeli prognostycznych i planowania kolejnych badań. Ich wartość zależy jednak od tego, czy badacz jasno oddziela to, co wynika bezpośrednio z danych, od tego, co jest dopiero interpretacją lub hipotezą wymagającą dalszego sprawdzenia.

Źródła i dalsza lektura

1. Hill, A. B. (1965). The environment and disease: Association or causation?. Proceedings of the Royal Society of Medicine, 58(5), 295–300. DOI: 10.1177/003591576505800503.
2. Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48. DOI: 10.1097/00001648-199901000-00008.
3. Pearl, J. (2009). Causality: Models, Reasoning, and Inference. 2nd edition. Cambridge University Press. Informacja wydawcy / źródło.
4. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. Informacja wydawcy / źródło.
5. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P.; STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLOS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
6. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P.; STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. Bulletin of the World Health Organization, 85(11), 867–872. DOI: 10.2471/BLT.07.045120.

Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.