Korrelation och kausalitet

Korrelation (r mellan −1 och 1) mäter hur mycket två variabler samvarierar linjärt. Glassförsäljning och drunkningar korrelerar starkt — men glass orsakar inte drunkning. Sommaren orsakar båda: en förväxlingsfaktor.

Andra fällor: omvänd kausalitet (brandmän orsakar inte bränder fast fler brandmän = större brand), urval (bland antagna studenter korrelerar högskoleprov negativt med betyg — för att båda användes vid antagningen), slump (med 1 000 variabler hittar du alltid några som korrelerar).

En ML-modell hittar korrelationer. Den vet ingenting om orsak. Det är du som måste veta det innan modellen används för att påverka något.

import numpy as np
rng = np.random.default_rng(0)

sommar = rng.uniform(0, 1, 200)             # dold förväxlingsfaktor
glass = 100 * sommar + rng.normal(0, 10, 200)
drunkning = 5 * sommar + rng.normal(0, 1, 200)
print(np.corrcoef(glass, drunkning)[0, 1])   # ≈ 0.8 — stark korrelation utan orsak

# kontrollera för sommar: residualer
res_g = glass - np.polyval(np.polyfit(sommar, glass, 1), sommar)
res_d = drunkning - np.polyval(np.polyfit(sommar, drunkning, 1), sommar)
print(np.corrcoef(res_g, res_d)[0, 1])       # ≈ 0 — sambandet försvinner

För att påstå orsak: randomiserat experiment (A/B-test) eller mycket noggrann kontroll för alla förväxlingsfaktorer — och även då med förbehåll.