Zależności przyczynowe

Korelacja informuje o współzmienności, natomiast twierdzenie przyczynowe mówi o tym, co zmieniłoby się po ingerencji w dany czynnik. Dwa zjawiska mogą występować razem, ponieważ oba zależą od trzeciego. W takiej sytuacji proste porównanie średnich prowadzi do błędnej interpretacji.

Analizując ceny mieszkań, można zauważyć współwystępowanie powierzchni i całkowitej ceny. Nie wynika z tego, że każde zwiększenie metrażu powoduje proporcjonalny wzrost ceny jednostkowej. Lokalizacja, standard oraz segment rynku wpływają na skład porównywanych grup.

Graf skierowany zapisuje hipotezę o kierunku oddziaływania. Węzeł odpowiada zmiennej, a krawędź — zakładanej bezpośredniej zależności. Jeżeli istnieje wspólna przyczyna dwóch obserwowanych zmiennych, pominięcie jej może zniekształcić ocenę związku.

W modelowaniu przyczynowym rozróżnia się obserwację warunkową od interwencji. Sam wykres strzałek nie wystarcza do obliczenia skutku. Potrzebne są równania, założenia o zmiennych i wiarygodne dane. Rozwinięciem tego rozróżnienia są modele powiązań oraz zależności wielopoziomowe.

W przypadku usterek lodówek podwyższona temperatura wnętrza może współwystępować z długą pracą sprężarki. Nie rozstrzyga to kierunku zależności: sprężarka może próbować skompensować problem występujący gdzie indziej. Rozpoznanie wymaga osobnego sprawdzenia obiegu chłodniczego, regulacji i warunków użytkowania.

Właśnie dlatego analiza przyczynowo-skutkowa odróżnia zdarzenie inicjujące, objaw oraz wtórną reakcję systemu. Powtórzenie tego samego objawu po naprawie części nie zawsze świadczy o wadzie części — możliwy jest nierozpoznany czynnik zewnętrzny.

Pytanie kontrfaktyczne brzmi: jaki byłby wynik, gdyby określona przyczyna nie wystąpiła, przy pozostałych istotnych warunkach niezmienionych. W praktyce nie można zaobserwować dwóch sprzecznych historii tego samego obiektu, dlatego korzysta się z modeli, porównań lub odpowiednio zaprojektowanych badań.

Zastosowanie kontrfaktycznego rozumowania nie upoważnia do nadawania prawdopodobieństw bez danych. Gdy brakuje wiarygodnego modelu i obserwacji, poprawnym wynikiem jest wskazanie nierozstrzygniętych alternatyw, a nie pewne przypisanie sprawstwa.