Tương quan và nhân quả khác nhau như thế nào?

Vì vậy, một tương quan có thể là đầu mối quan trọng để hình thành giả thuyết nhân quả, nhưng bản thân nó chưa đủ để xác định nguyên nhân. Muốn đi từ “hai biến có liên hệ” đến “X gây ra Y”, nhà nghiên cứu phải xem xét hướng tác động, các nguyên nhân chung, thiết kế nghiên cứu, sai lệch dữ liệu và những giải thích cạnh tranh khác.

Khác biệt cốt lõi giữa tương quan và nhân quả

NIST phân biệt hai khái niệm khá trực tiếp: hai biến có tương quan khi sự thay đổi của biến này đi kèm sự thay đổi của biến kia; quan hệ nhân quả tồn tại khi thay đổi ở một biến thực sự gây ra thay đổi ở biến còn lại.

Điểm khác biệt nằm ở thông tin mà mỗi khái niệm cho phép kết luận. Nếu lượng kem bán ra và lượng máy điều hòa bán ra cùng tăng vào mùa nóng, dữ liệu cho thấy chúng có tương quan dương. Nhưng từ đó không thể kết luận mua kem khiến người khác mua máy điều hòa, hoặc máy điều hòa khiến người ta ăn nhiều kem hơn. Nhiệt độ là một nguyên nhân thứ ba có thể làm cả hai cùng tăng.

Tương quan về bản chất cũng không xác định hướng tác động. Với hệ số tương quan Pearson, tương quan giữa X và Y giống tương quan giữa Y và X. Trong khi đó, một phát biểu nhân quả luôn mang hướng: “X ảnh hưởng Y” là một khẳng định khác với “Y ảnh hưởng X”.

Trong suy luận nhân quả hiện đại, câu hỏi còn được đặt theo logic can thiệp hoặc phản thực: nếu cùng một đối tượng hay một quần thể có thể được đặt dưới hai mức X khác nhau trong những điều kiện thích hợp, kết quả Y có khác nhau hay không? Đây là yêu cầu mạnh hơn nhiều so với việc chỉ quan sát X và Y thường xuất hiện cùng nhau.

Tương quan đo điều gì trong dữ liệu?

Trong thống kê, tương quan là thước đo mức độ hai biến biến thiên cùng nhau. Với hệ số tương quan Pearson thường gặp, giá trị nằm trong khoảng từ -1 đến 1. Dấu của hệ số cho biết hướng của mối liên hệ tuyến tính, còn độ lớn cho biết mức độ các điểm dữ liệu bám theo một xu hướng tuyến tính.

Giá trị gần 1 biểu thị xu hướng tuyến tính dương mạnh: X lớn hơn thường đi cùng Y lớn hơn. Giá trị gần -1 biểu thị xu hướng tuyến tính âm mạnh: X lớn hơn thường đi cùng Y nhỏ hơn. Giá trị gần 0 cho thấy không có xu hướng tuyến tính rõ ràng.

Tuy nhiên, “không có tương quan Pearson mạnh” không đồng nghĩa với “không có quan hệ”. Penn State lưu ý rằng hệ số tương quan có thể đánh giá thấp những quan hệ phi tuyến và cũng rất nhạy với các điểm ngoại lệ. Vì vậy, xem biểu đồ phân tán thường quan trọng không kém việc nhìn vào một con số r.

Chẳng hạn, nếu Y tăng khi độ lớn của X tăng theo một đường cong đối xứng, X và Y có thể có quan hệ rất chặt nhưng hệ số tương quan tuyến tính vẫn gần 0. Ngược lại, chỉ một vài điểm dữ liệu bất thường cũng có thể làm hệ số tương quan tăng hoặc giảm đáng kể.

Điều này tạo ra một ranh giới quan trọng: tương quan là công cụ mô tả cấu trúc association trong dữ liệu, không phải một phép kiểm tra trực tiếp cho cơ chế nguyên nhân.

Vì sao tương quan không đủ để kết luận X gây Y?

Khi thấy A và B có tương quan, ít nhất một số cấu trúc giải thích khác nhau vẫn có thể phù hợp với cùng quan sát. Penn State nêu các khả năng gồm A ảnh hưởng B, B ảnh hưởng A, một hoặc nhiều biến khác ảnh hưởng cả hai, hoặc association quan sát được xuất hiện do ngẫu nhiên.

Một nguyên nhân chung có thể tạo ra tương quan

Đây là vấn đề biến gây nhiễu, hay confounding. Một biến C ảnh hưởng cả X lẫn Y có thể khiến X và Y đi cùng nhau dù X không phải nguyên nhân của Y.

Ví dụ nhiệt độ làm tăng cả doanh số kem và nhu cầu sử dụng điều hòa. Nếu chỉ thu thập hai cột “kem bán ra” và “điều hòa bán ra”, ta vẫn thấy một association rõ ràng. Nhưng cơ chế tạo ra association nằm ở nhiệt độ, không nằm ở việc kem tác động lên máy điều hòa.

Trong nghiên cứu thực tế, confounder thường khó nhận biết hơn nhiều. Thu nhập, tuổi, tình trạng sức khỏe ban đầu, hành vi, môi trường hoặc điều kiện xã hội có thể đồng thời liên quan đến cả yếu tố được nghiên cứu và kết quả. Nếu chúng không được đo hoặc xử lý phù hợp, association quan sát được có thể phóng đại, làm giảm hoặc thậm chí đảo hướng hiệu ứng mà nhà nghiên cứu quan tâm.

Hướng nhân quả có thể ngược với điều ta tưởng

Giả sử dữ liệu cho thấy mức căng thẳng cao liên quan đến chất lượng giấc ngủ kém. Một diễn giải có thể là căng thẳng làm mất ngủ. Nhưng cũng có khả năng thiếu ngủ làm mức căng thẳng tăng, hoặc cả hai tác động lẫn nhau.

Dữ liệu tương quan tại một thời điểm không tự xác định được hướng này. Đó là lý do thứ tự thời gian có vai trò quan trọng trong lập luận nhân quả: nguyên nhân phải xảy ra trước hệ quả mà nó được cho là gây ra. Dù vậy, việc X xuất hiện trước Y vẫn chỉ là điều kiện cần trong nhiều trường hợp, chứ chưa đủ để loại trừ nguyên nhân chung.

Ngẫu nhiên và sai lệch dữ liệu cũng có thể tạo association

Một association trong mẫu có thể không phản ánh đúng quần thể. Ngẫu nhiên lấy mẫu là một khả năng, nhưng không phải khả năng duy nhất. Cách chọn người tham gia, cách một đối tượng được đưa vào phân tích và sai số đo lường đều có thể làm mối liên hệ quan sát được khác với mối liên hệ thực tế.

Các tổng quan về causal inference từ dữ liệu quan sát đặc biệt nhấn mạnh ba nhóm đe dọa: confounding, selection bias và measurement bias. Chỉ việc có một tập dữ liệu lớn hoặc một mô hình thống kê phức tạp không tự động loại bỏ những vấn đề này.

Tương quan mạnh vẫn chưa phải nhân quả

Một trong những lỗi suy luận phổ biến là cho rằng “tương quan càng mạnh thì bằng chứng nhân quả càng mạnh”. Hai đại lượng này không nằm trên cùng một thang đo.

Hệ số tương quan cao cho biết dữ liệu phù hợp chặt với một dạng association nhất định. Nó không cho biết association đó được tạo bởi X → Y, Y → X hay C → X và C → Y. Một nguyên nhân chung đủ mạnh hoàn toàn có thể tạo ra tương quan rất lớn giữa hai biến không trực tiếp gây ra nhau.

Ý nghĩa thống kê cũng không giải quyết vấn đề này. Một kiểm định có thể giúp đánh giá liệu association quan sát được có khó giải thích chỉ bằng dao động ngẫu nhiên theo một mô hình thống kê hay không. Nhưng p-value không kiểm tra xem có confounder chưa đo, có đảo chiều nhân quả hay có selection bias hay không. Penn State lưu ý rằng trong nghiên cứu quan sát, một association có ý nghĩa thống kê vẫn có nhiều lời giải thích khác ngoài quan hệ nhân quả.

Chiều ngược lại cũng đáng chú ý: hệ số tương quan thấp không chứng minh rằng X không thể gây Y. Nếu tác động phi tuyến, chỉ xảy ra trong một nhóm nhất định hoặc thay đổi hướng giữa các nhóm, hệ số tương quan tổng thể có thể nhỏ dù một cơ chế nhân quả thực sự tồn tại.

Do đó, “độ mạnh của association”, “ý nghĩa thống kê” và “độ tin cậy của suy luận nhân quả” là ba câu hỏi khác nhau. Trộn chúng với nhau là nguồn gốc của nhiều kết luận sai từ dữ liệu.

Bằng chứng nào làm lập luận nhân quả mạnh hơn?

Thiết kế thí nghiệm ngẫu nhiên là một trong những cơ sở mạnh nhất cho suy luận nhân quả vì việc phân bổ ngẫu nhiên giúp các nguyên nhân cạnh tranh được cân bằng giữa các nhóm theo kỳ vọng. Khi các nhóm được xử lý giống nhau ngoại trừ can thiệp đang nghiên cứu, sự khác biệt về kết quả có thể được quy cho can thiệp với độ tin cậy cao hơn so với một association thuần quan sát. NIST và các tài liệu thống kê của Penn State đều nhấn mạnh vai trò của thiết kế thí nghiệm, nhóm đối chứng và randomization trong việc phân biệt association với causation.

Tuy nhiên, không phải câu hỏi khoa học nào cũng có thể hoặc nên được kiểm tra bằng thí nghiệm ngẫu nhiên. Không thể phân ngẫu nhiên con người vào nhiều phơi nhiễm nguy hiểm chỉ để xác định tác động của chúng. Trong những trường hợp như vậy, causal inference từ dữ liệu quan sát vẫn có thể được xây dựng, nhưng phải dựa trên các giả định rõ ràng và thiết kế nghiên cứu đủ mạnh.

Một lập luận nhân quả thuyết phục thường cần nhiều lớp bằng chứng cùng hướng:

1.    Thứ tự thời gian rõ ràng: Yếu tố được xem là nguyên nhân phải xuất hiện trước kết quả

2.    Giải thích được confounding: Các nguyên nhân chung quan trọng phải được nhận diện, đo lường hoặc xử lý bằng thiết kế và phân tích phù hợp

3.    Giảm khả năng đảo chiều nhân quả: Thiết kế theo thời gian hoặc dữ liệu nền phải giúp phân biệt X → Y với Y → X

4.    Có cơ chế hoặc lý giải khoa học hợp lý: Cơ chế giúp giải thích vì sao tác động có thể xảy ra, dù bản thân cơ chế không đủ để chứng minh nhân quả

5.    Kết quả bền vững qua nhiều cách tiếp cận: Những thiết kế có nguồn sai lệch khác nhau nhưng cùng dẫn tới kết luận tương thích làm suy luận mạnh hơn

6.    Kết luận không vượt quá thiết kế: Nghiên cứu quan sát phải trình bày mức độ chắc chắn và các giả định còn phụ thuộc thay vì dùng ngôn ngữ nhân quả tuyệt đối

Trong causal inference hiện đại, không có một thủ thuật thống kê duy nhất biến association thành causation. Tổng quan trên Psychological Medicine nhấn mạnh việc kết hợp nhiều phương pháp có các nguồn sai lệch khác nhau, tức triangulation, có thể tạo nền tảng mạnh hơn cho suy luận nhân quả. Tài liệu Causal Inference: What If của Harvard cũng mô tả phân tích quan sát như một nỗ lực mô phỏng logic của một “target trial” khi thí nghiệm thực sự không khả thi.

Cách đọc dữ liệu để tránh suy luận nhân quả sai

Khi gặp một phát hiện kiểu “X liên quan đến Y”, bước đầu tiên là giữ nguyên động từ mà dữ liệu thực sự hỗ trợ. “Liên quan”, “đồng biến”, “có association” hoặc “dự báo” không tự động chuyển thành “gây ra”, “làm tăng” hay “dẫn đến”.

Sau đó cần nhìn vào thiết kế nghiên cứu. Nếu dữ liệu chỉ được quan sát mà không có can thiệp, hãy tự hỏi những người có X và không có X còn khác nhau ở điểm nào. Những khác biệt đó có thể là confounder. Nếu dữ liệu được thu cùng một thời điểm, hướng tác động cũng cần được xem là chưa xác định.

Tiếp theo, không nên chỉ đọc hệ số tương quan hoặc p-value. Biểu đồ phân tán cho biết hình dạng mối liên hệ, điểm ngoại lệ và các cấu trúc phi tuyến mà một chỉ số duy nhất có thể che khuất. Kích thước hiệu ứng và độ bất định cho biết association đáng kể đến mức nào về mặt thực tế, nhưng vẫn phải được tách khỏi câu hỏi nhân quả.

Cuối cùng, hãy xem kết luận có đứng vững khi dùng dữ liệu khác, quần thể khác hoặc phương pháp có nguồn sai lệch khác hay không. Một association lặp lại nhiều lần đáng quan tâm hơn một kết quả đơn lẻ, nhưng replication vẫn không tự loại bỏ một confounder nếu mọi nghiên cứu đều mắc cùng một loại sai lệch. Sức mạnh của bằng chứng nhân quả đến từ việc những giải thích cạnh tranh ngày càng khó phù hợp với toàn bộ dữ liệu, chứ không chỉ từ việc một hệ số tương quan ngày càng lớn.

Tương quan cho biết hai biến có cấu trúc liên hệ trong dữ liệu; nhân quả khẳng định rằng thay đổi ở một biến góp phần tạo ra thay đổi ở biến kia. Khoảng cách giữa hai kết luận này chính là lý do “tương quan không đồng nghĩa với quan hệ nhân quả”.

Một correlation mạnh, một p-value nhỏ hay một mẫu dữ liệu lớn đều có thể là bằng chứng đáng chú ý, nhưng chưa tự trả lời được câu hỏi nguyên nhân. Muốn lập luận nhân quả, cần xem xét hướng thời gian, confounding, đảo chiều nhân quả, sai lệch dữ liệu, thiết kế nghiên cứu và sự nhất quán của nhiều nguồn bằng chứng. Khi giữ được ranh giới đó, dữ liệu trở thành cơ sở để suy luận thay vì trở thành lý do cho một kết luận vượt quá những gì nó thực sự chứng minh.