逻辑错误：相关性谬误

相关性谬误（Correlative Fallacy）：混淆了相关性和因果关系。

因果关系和相关性之间的区别在于，在因果关系中，一个事件直接对另一事件负责，而在相关性中，两个事件同时存在，但它们的关系可能是由于第三个变量造成的。

说相关性意味着因果关系是不正确的。对于 A 导致 B，我们倾向于说，至少：

• A 必须先于 B。
• 两者必须共变（一起变化）
• 没有任何竞争性的解释可以更好地解释 A 和 B 的协方差。

大卫·休谟认为因果关系在任何可证明的意义上都不存在；卡尔·波普尔和证伪主义者坚持认为，我们无法证明某种关系，只能反驳它，这解释了为什么统计分析不试图证明相关性。相反，他们提出双重否定并反驳数据不相关，这一过程称为拒绝原假设。

考虑到这些因素，科学家必须仔细设计和控制他们的实验，以消除偏见、循环推理、自我实现的预言和混淆变量。他们必须尊重所用方法的要求和限制，尽可能抽取代表性样本，并且不得夸大其结果。

相关性量化
大多数科学研究并没有承担建立因果关系的困难（也许是不可能的）任务，而是关注相关性的强度。相关性可以是正相关，也可以是负相关，可以是弱相关，也可以是强相关。统计相关系数的范围从-1到1，显示相关的强度和方向。

如果您在图表上绘制数据点，其中一个变量占据 X 轴，另一个变量占据 Y 轴，则如果变量具有线性关系，则它们之间存在相关性。

• 在正相关中，两个变量朝同一方向移动。当一个变量增加时，另一个变量也会增加。在完全正相关中，相关系数为 1。
• 在负相关中，两个变量朝相反的方向移动。增加一个变量会减少另一个变量。相关系数是 0 到 -1 之间的负数。
• 如果数据点遍布整个图表而不是形成一条直线，则相关性为零。相关系数将为 0。

10 个相关性和因果关系的例子
由于人类大脑倾向于寻找因果关系，科学家们在创建高度受控的实验时格外小心，但他们仍然会犯错误。这里有十个例子说明了确定因果关系有多么困难。

• 以伊利诺伊州西塞罗的霍桑工厂为例。在 1924 年至 1932 年间的一系列实验中，研究人员研究了与改变伊利诺伊州工厂环境相关的工人生产力影响，包括改变光照水平、整理地方和移动工作站。就在他们认为自己有所发现时，他们注意到了一个问题：观察到的生产力增长几乎在研究人员离开工作岗位后就下降了，这表明工人对实验的了解——而不是研究人员的改变——推动了生产力的提高。促进。研究人员仍然将这种现象称为霍桑效应
• 1913 年夏天，赌客越来越惊讶地看到赌场的轮盘赌连续 26 次落在黑色上。由于确信红牌“到期”了，下注者不断投入筹码。赌场赚了一笔。
• 体育比赛中，任何关于连胜、神奇思维或错误因果关系的讨论都是不完整的。
• 随机对照试验是统计学的黄金标准，此类观察性研究存在偏见、隐藏变量的风险，最糟糕的是，研究群体可能无法准确反映总体情况。
• 1978 年，体育记者兼专栏作家伦纳德·科佩特 (Leonard Koppett) 讽刺了因果关系的混乱，讽刺地暗示超级碗的结果可以预测股市。结果却适得其反：人们不仅相信了他，而且还奏效了——而且频率惊人。
• 两个变量之间的相关性并不意味着因果关系。在许多情况下，它也没有表明有什么关系。
• 如果将所有经济学家都放在一起，他们永远不会得出结论，每一位分析师都认为最低工资上涨会导致就业机会流失，而另一位分析师则反对这种相关性。
• 以吃早餐可以减肥这一流行观点为例，一个想要减肥的人也可以通过多锻炼、吃早餐或吃全猪蛋白质，如果没有能够找出因果关系的实验设计，这些行为只不过是常见的同时发生的特征。
• 我们经常听说男性，尤其是年轻男性，比女性更容易自杀。性别是否与自杀之间如何存在更高的相关性呢？
• 家长对疫苗接种安全性的担忧，许多家长担心疫苗不安全，因为它们开发得如此之快，而且可能存在未知的长期副作用。对 COVID-19 疫苗接种犹豫不决的影响仍有待观察。（疫苗与安全的相关如何？科学自己都无法给出明确答案）