014. Zależność statystyczna a związek przyczynowy – dlaczego korelacja nie wystarcza?

Wynik badania często przyjmuje postać zdania: „osoby, które mają więcej X, częściej mają także Y”. Takie stwierdzenie może być ważne, ale opisuje przede wszystkim zależność statystyczną. Nie odpowiada jeszcze na pytanie, czy X powoduje Y. To rozróżnienie ma zasadnicze znaczenie w medycynie, zdrowiu publicznym, psychologii i naukach społecznych, ponieważ od interpretacji przyczynowej zależą decyzje kliniczne, programy profilaktyczne i rekomendacje dla pacjentów.

W tej lekcji kursu na statystyk.edu.pl skupimy się na granicy między opisem danych a wnioskowaniem o przyczynach. Poznamy podstawowe mechanizmy, przez które korelacja może być myląca, oraz kryteria, które pomagają ocenić, czy interpretacja przyczynowa jest uzasadniona.

Zależność statystyczna – co naprawdę wynika z danych?

Dwie zmienne są statystycznie zależne, jeżeli informacja o wartości jednej z nich wiąże się z różnicami w rozkładzie drugiej. W praktyce oznacza to, że wartości jednej zmiennej nie są rozmieszczone niezależnie od wartości drugiej.

Dla dwóch zmiennych ilościowych zależność można opisywać między innymi za pomocą współczynnika korelacji Pearsona:

r = cov(X,Y) / (sX · sY)

• r – współczynnik korelacji Pearsona;
• cov(X,Y) – kowariancja zmiennych X i Y;
• s_X – odchylenie standardowe zmiennej X;
• s_Y – odchylenie standardowe zmiennej Y.

Współczynnik r przyjmuje wartości od −1 do 1. Znak wskazuje kierunek zależności liniowej, a wartość bezwzględna informuje o jej nasileniu w badanej próbie. Korelacja dodatnia oznacza, że większym wartościom X przeciętnie towarzyszą większe wartości Y. Korelacja ujemna oznacza, że większym wartościom X przeciętnie towarzyszą mniejsze wartości Y.

Współczynnik korelacji jest jednak miarą opisu współzmienności, a nie automatycznym dowodem mechanizmu. Nawet bardzo silna korelacja nie wskazuje sama z siebie, która zmienna jest przyczyną, czy zależność nie wynika z trzeciej zmiennej ani czy ma znaczenie praktyczne.

Związek przyczynowy – pytanie o zmianę świata

Wnioskowanie przyczynowe dotyczy pytania typu: co stałoby się z wynikiem, gdybyśmy zmienili ekspozycję, leczenie lub warunki funkcjonowania badanych osób? Nie chodzi więc wyłącznie o porównanie osób, które różnią się pod względem X, lecz o ocenę skutku określonej interwencji lub ekspozycji.

W ujęciu kontrfaktycznym dla każdej osoby można wyobrazić sobie dwa potencjalne wyniki: wynik przy wystąpieniu ekspozycji oraz wynik przy jej braku. Problem polega na tym, że u tej samej osoby obserwujemy zwykle tylko jeden z nich. Osoba leczona ma obserwowany wynik po leczeniu, ale nie wiemy bezpośrednio, jaki byłby jej wynik w tym samym czasie bez leczenia. Ta nieobserwowana możliwość jest nazywana kontrfaktycznym wynikiem (Hernán i Robins, 2020).

Przyczynowy efekt leczenia może być opisywany na poziomie pojedynczej osoby, grupy albo populacji. Przykładowo średni efekt przyczynowy można zapisać jako:

ATE = E[Y(1)] − E[Y(0)]

• ATE – średni przyczynowy efekt ekspozycji lub leczenia w populacji;
• Y(1) – potencjalny wynik, gdy badana osoba otrzymuje leczenie lub jest eksponowana;
• Y(0) – potencjalny wynik, gdy ta sama osoba nie otrzymuje leczenia lub nie jest eksponowana;
• E[ ] – wartość oczekiwana, czyli średnia w populacji.

W praktyce nie obliczamy tych dwóch potencjalnych wyników dla każdej osoby bezpośrednio. Projekt badania i odpowiednie założenia mają umożliwić wiarygodne oszacowanie różnicy między sytuacją „z ekspozycją” i sytuacją „bez ekspozycji”.

Dlaczego korelacja nie wystarcza?

1. Zmienna zakłócająca

Najważniejszym problemem jest zmienna zakłócająca, czyli taka zmienna, która wiąże się zarówno z ekspozycją, jak i z wynikiem, a przez to może zniekształcać obserwowaną zależność.

Załóżmy, że w badaniu obserwacyjnym osoby przyjmujące określony lek częściej wymagają hospitalizacji niż osoby nieprzyjmujące tego leku. Nie musi to oznaczać, że lek zwiększa ryzyko hospitalizacji. Lek może być częściej przepisywany pacjentom z cięższym przebiegiem choroby. Nasilenie choroby wpływa wtedy na prawdopodobieństwo otrzymania leczenia i jednocześnie na ryzyko hospitalizacji. Surowa korelacja między lekiem a hospitalizacją może zatem odzwierciedlać różnice w stanie zdrowia, a nie szkodliwe działanie leku.

To zjawisko bywa określane jako zakłócenie wynikające  ze wskazań do leczenia (ang. confounding by indication). W badaniach klinicznych i epidemiologicznych jest ono szczególnie istotne, ponieważ pacjenci nie są leczeni losowo: decyzja terapeutyczna zależy od objawów, rokowania, chorób współistniejących i preferencji klinicznych.

2. Odwrócony kierunek zależności

Sama korelacja nie mówi, czy X poprzedza Y, czy odwrotnie. W badaniu przekrojowym można stwierdzić, że wyższy poziom stresu wiąże się z gorszą jakością snu. Możliwe są co najmniej trzy interpretacje:

• stres pogarsza sen;
• zaburzenia snu zwiększają odczuwany stres;
• obie zmienne wzajemnie na siebie oddziałują.

Możliwa jest również sytuacja, w której obie zmienne są skutkami wcześniejszego czynnika, na przykład przewlekłego bólu, niepewności ekonomicznej lub choroby somatycznej. Ustalenie następstwa czasowego wymaga projektu, który rzeczywiście pozwala obserwować zmiany w czasie.

3. Zależność pozorna

Zależność pozorna występuje wtedy, gdy dwie zmienne współwystępują, chociaż nie łączy ich bezpośredni mechanizm przyczynowy. Klasycznym przykładem może być wzrost liczby przypadków udaru cieplnego i sprzedaży napojów chłodzących w okresie upałów. Obie zmienne rosną, ponieważ wpływa na nie temperatura powietrza. Napoje chłodzące nie są przyczyną udaru cieplnego; wspólna przyczyna tworzy pozorną korelację.

W naukach społecznych analogiczny problem może wystąpić, gdy liczba godzin korzystania z mediów społecznościowych wiąże się z objawami depresyjnymi. Bez uwzględnienia izolacji społecznej, wcześniejszych problemów psychicznych, jakości relacji i sytuacji rodzinnej nie można bezpośrednio uznać, że sam czas korzystania z mediów społecznościowych powoduje depresję.

4. Błąd selekcji i kolider

Wynik może zostać zniekształcony przez sposób, w jaki osoby trafiają do badania lub analizy. Szczególnym przypadkiem jest kondycjonowanie na koliderze – zmiennej, na którą wpływają dwa inne czynniki. Przykładowo zarówno ciężkość choroby, jak i dostęp do opieki specjalistycznej mogą wpływać na przyjęcie do szpitala. Jeżeli analizujemy wyłącznie pacjentów hospitalizowanych, możemy sztucznie wytworzyć zależność między ciężkością choroby a dostępem do opieki, nawet gdy w populacji ogólnej taka zależność nie występuje w tej postaci.

Nie oznacza to, że każda selekcja unieważnia badanie. Oznacza natomiast, że badacz powinien jasno opisać kryteria włączenia, źródło uczestników, utratę obserwacji i zakres populacji, do której można uogólniać wynik. Takie elementy należą do standardów raportowania badań obserwacyjnych STROBE (von Elm i in., 2007; Vandenbroucke i in., 2007).

Kiedy wnioskowanie przyczynowe jest bardziej wiarygodne?

Randomizacja

Najsilniejszym sposobem ograniczania wpływu znanych i nieznanych czynników zakłócających jest randomizacja. Jeżeli uczestnicy są losowo przydzielani do grup, to – przy poprawnej realizacji badania i dostatecznej liczebności – grupy powinny być przeciętnie porównywalne przed interwencją. Różnica wyników po interwencji może wtedy być interpretowana przyczynowo w odniesieniu do badanego sposobu leczenia.

Randomizacja nie rozwiązuje wszystkich problemów. Nadal znaczenie mają: nieprzestrzeganie przydziału, utrata uczestników, brak zaślepienia, niepełne dane, niewłaściwie zdefiniowany wynik oraz ograniczona możliwość uogólnienia. Dlatego także badania randomizowane wymagają krytycznej oceny.

Następstwo czasowe

Przyczyna musi poprzedzać skutek. To warunek konieczny, choć niewystarczający. Badanie kohortowe, w którym ekspozycja jest mierzona przed wystąpieniem wyniku, daje pod tym względem więcej informacji niż badanie przekrojowe, w którym obie zmienne są rejestrowane w podobnym czasie.

Kontrola zakłóceń

W badaniach obserwacyjnych można próbować ograniczyć zakłócenie przez stratyfikację, regresję wieloczynnikową, dopasowanie, ważenie oparte na prawdopodobieństwie leczenia lub inne metody. Samo „dodanie wielu zmiennych do modelu” nie gwarantuje jednak poprawności. Zmiennych nie należy wybierać wyłącznie na podstawie tego, czy mają małą wartość p. Potrzebne jest uzasadnienie merytoryczne, najlepiej oparte na wiedzy dziedzinowej i jawnym modelu przyczynowym.

Spójność i biologiczna wiarygodność

Ocena przyczynowości powinna obejmować całość dowodów: zgodność wyników w różnych badaniach, odpowiedź zależną od dawki, zgodność z następstwem czasowym, istnienie prawdopodobnego mechanizmu oraz wyniki badań eksperymentalnych. Austin Bradford Hill wskazywał takie aspekty jako pomocne punkty oceny, a nie jako automatyczny test, który samodzielnie „udowadnia” przyczynowość (Hill, 1965).

Istotność statystyczna a przyczynowość i znaczenie praktyczne

Wartość p nie rozstrzyga, czy zależność jest przyczynowa. Nie jest ona prawdopodobieństwem prawdziwości hipotezy zerowej. Wartość p opisuje, jak zgodne są dane – przy określonych założeniach modelu – z hipotezą zerową lub wynikami równie albo bardziej ekstremalnymi.

Również statystycznie istotna korelacja może być mała i klinicznie nieistotna, natomiast wynik nieistotny statystycznie nie dowodzi braku efektu. W interpretacji należy uwzględniać wielkość efektu, przedział ufności, precyzję oszacowania, ryzyko błędów systematycznych oraz konsekwencje praktyczne.

Przykład praktyczny: aktywność fizyczna i ciśnienie tętnicze

Badacz analizuje dane 1200 dorosłych osób i stwierdza, że większa liczba minut aktywności fizycznej tygodniowo wiąże się z niższym skurczowym ciśnieniem tętniczym. Wynik jest zgodny z hipotezą, że aktywność może korzystnie wpływać na ciśnienie, ale sam nie wystarcza do sformułowania takiego wniosku przyczynowego.

Najpierw trzeba zapytać, czy osoby bardziej aktywne różnią się od mniej aktywnych pod innymi względami. Mogą mieć niższą masę ciała, lepszą dietę, większy dochód, łatwiejszy dostęp do terenów rekreacyjnych, mniejsze rozpowszechnienie palenia i lepszą kontrolę chorób przewlekłych. Każda z tych cech może częściowo wyjaśniać obserwowaną zależność.

Lepszym projektem byłoby prospektywne badanie kohortowe z pomiarem ekspozycji przed oceną ciśnienia i z planem kontroli najważniejszych zmiennych zakłócających. Jeszcze silniejszym rozwiązaniem byłaby randomizowana próba programu aktywności fizycznej, w której określono wcześniej czas obserwacji, sposób pomiaru aktywności, wynik główny i analizę zgodną z przydziałem.

Wniosek ostrożny brzmiałby: „W badanej populacji większa aktywność fizyczna była związana z niższym ciśnieniem skurczowym”. Wniosek silniejszy: „Program aktywności fizycznej spowodował obniżenie ciśnienia” wymagałby projektu i założeń uzasadniających interpretację przyczynową.

Najczęstsze błędy

• „X koreluje z Y, więc X powoduje Y”. Korelacja opisuje współwystępowanie, a nie kierunek i mechanizm wpływu.
• Używanie języka przyczynowego w badaniu przekrojowym. Sformułowania „wpływa”, „prowadzi do” i „powoduje” mogą być nieuprawnione, gdy nie ustalono następstwa czasowego.
• Ignorowanie zmiennych zakłócających. Model statystyczny powinien wynikać z rozumowania merytorycznego, nie tylko z automatycznej selekcji zmiennych.
• Traktowanie wartości p jako miary siły lub prawdziwości związku. O sile efektu informują odpowiednie miary efektu i przedziały ufności.
• Kontrolowanie każdej dostępnej zmiennej. Nadmierna korekta może zwiększyć błąd, zwłaszcza gdy uwzględnia się mediatorów lub kolidery.
• Pomijanie selekcji uczestników. Wynik uzyskany w wybranej grupie nie musi opisywać populacji, z której badacz chciałby wnioskować.
• Wybieranie jednej analizy po obejrzeniu danych. Selektywne raportowanie i wielokrotne testowanie zwiększają ryzyko przypadkowych wyników.

Jak formułować wniosek z badania?

Przed napisaniem konkluzji warto przejść przez krótką sekwencję pytań:

1. Jaki był projekt badania: przekrojowy, kohortowy, kliniczny czy inny?
2. Czy ekspozycja poprzedzała wynik?
3. Jakie zmienne mogły zakłócać obserwowaną zależność?
4. Czy sposób doboru uczestników mógł wprowadzić błąd selekcji?
5. Czy model statystyczny był zgodny z pytaniem badawczym i założonym modelem przyczynowym?
6. Jak duży był efekt i czy ma znaczenie praktyczne?
7. Jakie są alternatywne wyjaśnienia wyniku?

Raportowanie powinno umożliwiać czytelnikowi samodzielną ocenę projektu, pomiarów, brakujących danych, analiz i ograniczeń. W tym celu pomocne są odpowiednie wytyczne raportowania, między innymi STROBE dla badań obserwacyjnych (von Elm i in., 2007).

Co warto zapamiętać?

• Zależność statystyczna oznacza współwystępowanie zmiennych; nie jest równoznaczna z przyczynowością.
• Korelacja nie wskazuje sama z siebie kierunku zależności, mechanizmu ani wpływu zmiennych trzecich.
• Najważniejsze alternatywne wyjaśnienia to zakłócenie, odwrócona przyczynowość, zależność pozorna i błąd selekcji.
• Wnioskowanie przyczynowe wymaga odpowiedniego projektu, następstwa czasowego, kontroli zakłóceń i jawnych założeń.
• Randomizacja zwiększa wiarygodność interpretacji przyczynowej, ale nie usuwa wszystkich źródeł błędu.
• Istotność statystyczna, wielkość efektu, precyzja oszacowania i znaczenie praktyczne to odrębne aspekty wyniku.
• Najbardziej rzetelny język w badaniu obserwacyjnym często brzmi: „było związane z”, a nie „spowodowało”.

Rozróżnienie między zależnością a przyczynowością jest jednym z fundamentów krytycznego czytania literatury naukowej. Pozwala nie tylko unikać błędnych interpretacji, lecz także lepiej projektować własne badania i formułować wnioski proporcjonalne do jakości uzyskanych dowodów.

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. 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. The BMJ, 335(7624), 806–808. DOI: 10.1136/bmj.39335.541782.AD.
3. Vandenbroucke, J. P., von Elm, E., Altman, D. G., Gøtzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., & Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. PLoS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.
4. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. Informacja wydawcy / źródło.
5. Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960. DOI: 10.2307/2289064.

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