Корреляция – это статистическая связь между изменениями двух величин: она показывает, меняются ли они вместе и в каком направлении. Если обе обычно растут или падают одновременно, связь называют положительной; если одна растёт, когда другая снижается, – отрицательной. Корреляция помогает заметить закономерность, но сама по себе не доказывает, что одна величина вызывает другую.
Пример связи между величинами
Представим, что исследователь сравнивает температуру воздуха и продажи холодных напитков по дням. Если в более тёплые дни напитков обычно продаётся больше, между температурой и продажами можно обнаружить положительную связь. Это наблюдение полезно для планирования запасов, но оно еще не отвечает на вопрос, почему меняются продажи и все ли прочие обстоятельства учтены.
Другой пример – время поездки и средняя скорость на одном маршруте. При прочих равных увеличение скорости часто сокращает время в пути, поэтому направление связи будет обратным. Однако на результат влияют светофоры, пробки, остановки и расстояние. Две величины могут быть связаны не напрямую, а через другие факторы.
Корреляцию ищут не только в экономике и естественных науках. Ею пользуются в медицине, социологии, образовании, климатологии, инженерии и повседневной аналитике. Например, исследователь может проверить, связано ли количество часов занятий с результатами теста. Наблюдение подскажет, есть ли совместное изменение, но не заменит разбор того, как устроены занятия и кто участвовал в измерении.
Положительная и отрицательная корреляция
Положительная корреляция означает, что большие значения одной величины чаще встречаются вместе с большими значениями другой, а меньшие – вместе с меньшими. Это не значит, что значения совпадают или что связь абсолютно точная. В реальных данных почти всегда есть разброс: одинаковая температура может сопровождаться разными продажами, потому что отличаются день недели, расположение магазина и число покупателей.
Отрицательная корреляция означает, что высоким значениям одной величины чаще соответствуют низкие значения другой. Например, если измерять остаток заряда аккумулятора и время использования при одинаковых условиях, они могут двигаться в противоположных направлениях. На практике же яркость экрана, возраст батареи и режим приложения меняют картину.
Нулевая или близкая к нулю линейная корреляция говорит, что выбранная мера не обнаружила выраженной прямой линейной связи. Но это не всегда означает полное отсутствие зависимости. Между данными может быть нелинейная закономерность, отдельные группы могут вести себя по-разному, либо в выборке окажется слишком много шума.
Что показывает коэффициент корреляции
Для двух количественных величин часто рассчитывают коэффициент корреляции. В распространённом коэффициенте Пирсона значения находятся от −1 до +1. Знак показывает направление линейной связи, а величина по модулю – насколько тесно точки расположены около прямой линии. Значение, близкое к +1, соответствует сильной положительной линейной связи; близкое к −1 – сильной отрицательной.
Значение около нуля означает, что явной линейной связи нет или она слаба. Это не универсальная оценка «насколько связаны вообще»: коэффициент Пирсона чувствителен к выбросам, зависит от распределения данных и описывает именно линейную составляющую. Для других типов данных и вопросов используют другие меры, поэтому сначала нужно понять, что именно исследователь хочет измерить.
Коэффициент не заменяет график. Точки могут образовать дугу, несколько групп или отдельные скопления, которые одно число скроет. Диаграмма рассеяния позволяет увидеть форму связи и необычные наблюдения. Статистические методы дают компактное описание, но их полезно проверять визуально и сопоставлять с контекстом.
Почему корреляция не доказывает причину
Если две величины связаны, возможны разные объяснения. Одна может влиять на другую; обе могут зависеть от третьей переменной; связь может быть случайной особенностью небольшой выборки; измерение может быть устроено так, что оно искусственно создаёт сходство. Поэтому фраза «X коррелирует с Y» осторожнее и точнее, чем «X вызывает Y».
Например, летом одновременно могут расти продажи мороженого и число людей, посещающих пляж. Было бы странно заключить, что мороженое приводит людей к воде. Более правдоподобное объяснение – тёплая погода влияет на оба показателя. Температура выступает общим фактором, который связывает наблюдения.
Даже сильная корреляция может возникнуть из-за смешивающего фактора. В исследованиях здоровья возраст, особенности образа жизни, состояние среды и другие характеристики могут влиять одновременно на несколько показателей. Чтобы говорить о причине, исследователи используют теорию, дизайн эксперимента, контроль переменных и другие доказательства. Одного коэффициента недостаточно.
Как читать выводы исследований
Если в статье говорится о корреляции, полезно спросить, какие именно переменные сравнивали, сколько наблюдений было собрано и как измеряли показатели. Важно увидеть диапазон данных, возможные исключения и описание выборки. Одно и то же слово «связь» может означать слабое совпадение тенденций или устойчивый результат, поэтому нужны цифры и метод.
Также стоит проверить, было ли исследование наблюдательным или экспериментальным. В наблюдательной работе авторы фиксируют, что происходило, но не обязательно управляют условиями. Эксперимент может лучше отделить влияние одного фактора, хотя и он должен быть корректно спланирован. Ни один метод не делает вывод автоматически верным: важны качество данных, измерения и воспроизводимость.
Слово «корреляция» в новостях иногда используют свободно. Оно не означает совпадение в каждом случае и не обещает точный прогноз. Если данные получены для одной группы или периода, результат может не распространяться на другие. Кроме того, корреляция в исторических данных не гарантирует, что закономерность сохранится после изменения среды или поведения людей.
Корреляция и причинность
Причинная связь – утверждение о том, что изменение одного фактора вызывает изменение другого при определенных условиях. Корреляция лишь сообщает о совместном изменении. Причина может сопровождаться корреляцией, но обратный вывод не работает: наблюдаемая связь не доказывает причинность. Именно поэтому специалисты осторожны с объяснениями, основанными только на статистике.
Чтобы установить причину, нужен не просто расчет. Исследователю важно сформулировать механизм, проверить альтернативы, учесть смешивающие факторы и использовать подходящий дизайн. Иногда вывод строят по нескольким независимым видам доказательств. Чем сложнее явление, тем меньше помогает попытка объяснить всё одной парой чисел.
Корреляция остаётся полезным инструментом: она подсказывает, где искать закономерность и какие гипотезы проверять. Например, биология изучает связи между организмами и условиями среды, а физика – закономерности между измеряемыми величинами. Но наличие связи не заменяет объяснение механизма в каждой конкретной задаче.
Коротко
Корреляция показывает совместное изменение двух величин и может быть положительной, отрицательной или слабой. Коэффициент сжимает часть информации в одно число, но график и контекст помогают увидеть больше. Корреляция не доказывает, что один показатель вызывает другой: связь может объясняться третьим фактором, случайностью или особенностями выборки. Это способ описать данные, а не готовое объяснение причин.
