קורלציה אינה סיבתיות

האם ידעתם שבכל פעם שמכירות הגלידה עולות, ישנה עלייה מדאיגה במספר מקרי הטביעה בים? על פניו, הנתונים היבשים מראים קשר ברור שאי אפשר להתווכח איתו, אבל האם הגלידה היא זו שגורמת לטביעה, או שאולי יש כאן סיפור אחר לגמרי שקשור לטמפרטורה בחוץ? הנושא של קורלציה וסיבתיות הוא אחד המוקשים הגדולים ביותר בהבנת המציאות, והוא משפיע על הדרך שבה אנחנו צורכים חדשות, בריאות וכלכלה. 
 

מה ההבדל הגדול בין קשר סטטיסטי לבין סיבה ותוצאה?

בכל מקום אליו אנחנו מסתכלים, המוח האנושי שלנו מחפש תבניות וקשרים, כי זו הדרך בה שרדנו באבולוציה במשך עשרות אלפי שנים. קורלציה וסיבתיות הם שני מושגים שלעיתים קרובות מתבלבלים ביניהם, אך ההבנה של ההבדל ביניהם היא קריטית לחשיבה ביקורתית נכונה. קורלציה, או מתאם בעברית, מתארת מצב שבו שני משתנים מתנהגים בצורה דומה או קשורה – כשאחד עולה, השני עולה (מתאם חיובי) או יורד (מתאם שלילי). לעומת זאת, סיבתיות מתארת מצב שבו משתנה אחד הוא הגורם הישיר לשינוי במשתנה האחר, כלומר, פעולה א' גורמת לתוצאה ב'.

כאשר אנחנו רואים כתבה בעיתון שמכריזה כי "אנשים ששותים יין אדום חיים יותר", אנחנו מיד נוטים להסיק ששתיית היין היא הסיבה לאריכות הימים. אבל האמת מורכבת הרבה יותר, ולעיתים הקשר הוא נסיבתי בלבד או מושפע מגורמים אחרים לגמרי שנסתרים מהעין. באתר סיינטיפיק, אנחנו שמים דגש על הדיוק הזה בדיוק כדי שלא ניפול בפח של כותרות מפוצצות חסרות בסיס. ההבדל בין השניים הוא לא רק סמנטי, אלא הוא ההבדל בין הבנה אמיתית של המציאות לבין אשליה סטטיסטית שעלולה להוביל להחלטות שגויות.

היכולת להבדיל בין שני המצבים הללו היא כלי החיסון החזק ביותר שיש לנו נגד פייק ניוז ומניפולציות שיווקיות. 
 

המלכודת של המשתנה השלישי המסתורי

אחת הסיבות הנפוצות ביותר לבלבול בין קורלציה וסיבתיות היא קיומו של "משתנה מתערב" או משתנה שלישי. נחזור לדוגמה של הגלידה והטביעות: ברור לכולנו שגלידה לא גורמת לטביעה, וטביעה לא גורמת לרצון עז לגלידה. הגורם השלישי כאן הוא הקיץ – החום גורם לאנשים גם לקנות גלידה וגם להיכנס לים, מה שמעלה את הסיכוי לטביעה. מבחינה סטטיסטית, יש התאמה מושלמת, אך אין שום קשר סיבתי ישיר בין שני המשתנים הראשונים.

דוגמה מפורסמת נוספת מעולם הסטטיסטיקה מראה מתאם כמעט מושלם בין ירידה במספר שודדי הים בעולם לבין העלייה בהתחממות הגלובלית. האם זה אומר שאם נחזיר את הפיראטים נציל את כדור הארץ? ברור שלא. בשני המקרים, התהליכים קרו במקביל לאורך זמן כתוצאה מהתיעוש והתקדמות הטכנולוגיה, אך אין ביניהם שום קשר של סיבה ותוצאה. זיהוי המשתנה השלישי דורש חקירה מעמיקה והבנה שנתונים יבשים מספרים רק חלק מהסיפור.

מתי הקשר הוא הפוך? (Reverse Causality)

לעיתים אנחנו מזהים קשר אמיתי, אבל טועים בכיוון החץ – אנחנו חושבים ש-א' גורם ל-ב', בעוד שבמציאות ב' גורם ל-א'. קחו למשל את הטענה ש"אנשים אופטימיים הם בריאים יותר". ייתכן מאוד שהאופטימיות תורמת לבריאות, אבל סביר לא פחות שאנשים בריאים, שאינם סובלים מכאבים כרוניים או מחלות, נוטים להיות אופטימיים יותר מעצם מצבם הטוב. המקרה הזה מדגים כמה קשה לבודד משתנים במדעי החברה וההתנהגות, וכמה זהירות נדרשת לפני שקובעים עובדות נחרצות על סמך תצפיות בלבד.
 

סוג הקשר	הסבר קצר	דוגמה מחיי היומיום	הטעות הנפוצה
סיבתיות ישירה	פעולה אחת גורמת ישירות לאחרת	בעיטה בכדור גורמת לו לעוף	לרוב קל לזיהוי, אך לעיתים מורכב להוכחה מדעית
קורלציה ללא סיבתיות	שני משתנים משתנים במקביל ללא קשר	מספר סרטי ניקולס קייג' ומקרי מוות בבריכה	חיפוש היגיון היכן שאין כזה (צירוף מקרים)
משתנה מתערב (שלישי)	גורם חיצוני משפיע על שני המשתנים	מכירות מטריות ותאונות דרכים (הגורם: גשם)	התעלמות מההקשר הרחב של הנתונים
סיבתיות הפוכה	התוצאה נתפסת בטעות כסיבה	שוטרים במקום מסוים ורמת הפשיעה	הנחה שנוכחות המשטרה גורמת לפשע, במקום להפך

 

איך המדע מתמודד עם הבלבול הזה?

כדי להוכיח סיבתיות מעל לכל ספק, חוקרים לא יכולים להסתפק רק בהתבוננות בנתונים קיימים (מה שנקרא מחקר תצפיתי). הכלי החזק ביותר בארז הכלים המדעי להוכחת סיבתיות הוא הניסוי המבוקר (Randomized Controlled Trial), שבו שולטים על כל המשתנים. במחקר כזה, מחלקים את המשתתפים באופן אקראי לקבוצת ניסוי ולקבוצת ביקורת, כך שההבדל היחיד ביניהם הוא המשתנה שאותו רוצים לבדוק. אם רואים הבדל מובהק בתוצאות בין הקבוצות, ניתן לומר בביטחון רב יותר שיש כאן קשר סיבתי ולא סתם קורלציה וסיבתיות שהתערבבו להן.

למשל, כדי לבדוק אם תרופה מסוימת באמת מרפאת מחלה, לא מספיק לתת אותה לחולים ולראות אם הם מבריאים, כי אולי הם היו מבריאים בכל מקרה. במקום זאת, נותנים לחלק תרופה ולחלק פלצבו, ורק אם קבוצת התרופה מראה שיפור משמעותי יותר, אפשר להסיק על סיבתיות. בהקשר זה, חשוב להבין את חשיבות הסטטיסטיקה במחקר ככלי לסינון רעשי רקע ולמציאת האמת המסתתרת במספרים.
 

⭐טיפ זהב⭐ כשאתם קוראים כותרת המבשרת על "מחקר חדש מצא ש…", חפשו תמיד את המילים "קשר" או "מתאם" בגוף הכתבה. אם המילים הללו מופיעות, סביר להניח שהחוקרים מצאו קורלציה בלבד ולא הוכיחו סיבתיות, ולכן כדאי לקחת את המסקנות בערבון מוגבל עד לביצוע ניסויים מקיפים יותר.

 

למה זה קריטי לחיים שלכם?

ההבנה של קורלציה וסיבתיות היא לא רק עניין אקדמי לאנשים עם חלוקים לבנים במעבדות, אלא כלי הישרדותי בעולם עמוס מידע. החלטות רפואיות, השקעות כספיות ואפילו בחירות הוריות מבוססות לעיתים קרובות על מידע שאנחנו מפרשים בצורה שגויה. כאשר פוליטיקאי מציג גרף שמראה שהפשיעה ירדה בתקופת כהונתו, האם זה בגלל המדיניות שלו (סיבתיות) או בגלל מגמות עולמיות או שינויים דמוגרפיים שקרו במקביל (קורלציה)?

חשיבה ביקורתית המחפשת את הסיבה האמיתית מאחורי הנתונים מונעת מאיתנו לקבל החלטות המבוססות על אמונות טפלות או על מצגי שווא. 

בנוסף, הבנה זו עוזרת לנו להימנע מטעויות נפוצות הנובעות מהטיות קוגניטיביות בקבלת החלטות, כמו נטייה לראות דפוסים איפה שהם לא קיימים. המוח שלנו מחווט לחפש סיבות, ולפעמים הוא ממציא סיפורים כדי למלא את הפערים בידע, מה שמוביל אותנו למסקנות שגויות על העולם הסובב אותנו.

רשימת נורות אזהרה כשקוראים "מחקרים" ברשת

כדי לשמור על עצמכם מפני הטעיות סטטיסטיות נפוצות, הנה רשימה של דברים שצריכים להדליק אצלכם נורה אדומה כשאתם נתקלים במידע חדש:

• הכותרת מנוסחת בצורה דרמטית וקובעת עובדה נחרצת ("קפה מונע סרטן") במקום להציע קשר אפשרי.
• המחקר המדובר בוצע על מספר קטן מאוד של משתתפים או על בעלי חיים בלבד, מה שמקשה על הסקת מסקנות לבני אדם.
• אין קבוצת ביקורת במחקר, או שלא צוין כיצד בודדו משתנים מתערבים אחרים שיכלו להשפיע על התוצאה.
• הגרפים המוצגים בכתבה נראים "מושלמים" מדי, או שציר הנתונים נחתך בצורה שמגדילה מלאכותית את האפקט הנראה לעין.
• המקור שמפרסם את המידע הוא בעל אינטרס כלכלי או פוליטי מובהק בתוצאות המחקר.

רשימה זו מהווה מעין "מסננת" ראשונית שתעזור לכם לברור את המוץ מן התבן בכל הנוגע לצריכת מידע מדעי וחדשותי, ולהיות צרכני ידע נבונים יותר.
 

מדריך מעשי: איך בודקים טענות לקשר סיבתי?

אז איך תכלס אנחנו יכולים לבדוק אם הקשר שמוצג לפנינו הוא קורלציה וסיבתיות אמיתית או סתם מקריות? הנה כמה צעדים פשוטים שיעזרו לכם לנתח את המצב:

1. שאלו "למה?": נסו לחשוב על מנגנון הגיוני שיכול להסביר איך משתנה א' משפיע פיזית על משתנה ב', ואם אין הסבר כזה, חשדו בקשר.
2. חפשו את הגורם השלישי: נסו לחשוב יצירתית – האם יש משהו אחר, אולי סביבתי או תרבותי, שיכול להסביר את השינוי בשני המשתנים בו זמנית.
3. בדקו את סדר הזמנים: ודאו שהסיבה המשוערת אכן קרתה לפני התוצאה, שכן אם הם קרו יחד או בסדר הפוך, הסיבתיות מוטלת בספק.
4. הצליבו מקורות: בדקו אם יש מחקרים נוספים שמראים תוצאות דומות, או שמא מדובר במחקר בודד וחריג בנוף המדעי.
5. היו סקפטיים כלפי אנקדוטות: זכרו שסיפור אישי של מישהו ("סבתא שלי עישנה וחיה עד 120") אינו סותר סטטיסטיקה רחבה ואינו מוכיח סיבתיות.

הקפדה על שלבים אלו תאפשר לכם לפתח "שריר" של ספקנות בריאה, שהוא חיוני במיוחד בעידן שבו כל אחד יכול לפרסם נתונים ללא בקרה או סימוכין.
 

⚠️זהירות, מוקש!⚠️ אל תתבלבלו בין "קורלציה" לבין "צירוף מקרים". בעוד שלקורלציה יש משמעות סטטיסטית ומודדת עוצמת קשר (גם אם לא סיבתי), צירוף מקרים הוא אירוע חד פעמי ואקראי לחלוטין. אם לבשתם חולצה אדומה וזכיתם בלוטו, זה צירוף מקרים, ולא בסיס לחישוב קורלציה וסיבתיות להגרלות הבאות.

 

ללמוד עוד על קשרים סטטיסטיים

כדי להעמיק בנושא, מומלץ לצפות בסרטון הבא שמסביר בצורה בהירה את ההבדלים והדקויות. הסרטון מציג דוגמאות ויזואליות שיעזרו לכם להטמיע את החומר:

בסופו של דבר, הידע הזה הוא חלק בלתי נפרד מאוריינות מדעית בסיסית שמאפשרת לנו להבין טוב יותר את העולם.

ככל שנעמיק לחקור ולשאול שאלות, כך נהיה פחות חשופים למניפולציות ויותר פתוחים לגלות את האמת המורכבת של המציאות. 

לסיכום – הכוח בידיים שלכם

העולם מלא במידע, בגרפים ובנתונים שמנסים לשכנע אותנו באמיתות מסוימות, ולעיתים קרובות הקו בין אמת לאשליה עובר בדיוק בנקודה שבין קורלציה וסיבתיות. עלינו לזכור תמיד שקשר סטטיסטי הוא רק קצה החוט, רמז ראשון שדורש חקירה, ולא הוכחה ניצחת לסיבה ותוצאה. האחריות שלנו היא לא לקבל דברים כמובנים מאליהם, אלא לבדוק, לחקור ולהבין את ההקשר הרחב. אם אתם מרגישים שאתם זקוקים להכוונה נוספת בניתוח נתונים, במחקר או בהבנה מעמיקה של תהליכים מדעיים, אנחנו מזמינים אתכם ליצור איתנו קשר לייעוץ מקצועי שיעשה לכם סדר בראש.

שאלות ותשובות

מהי הדוגמה הפשוטה ביותר להבנת ההבדל בין קורלציה לסיבתיות?

אחת הדוגמאות הקלאסיות והקלות ביותר להבנה היא הקשר בין מכירות גלידה למקרי טביעה בים. נתונים סטטיסטיים מראים בבירור שכאשר מכירות הגלידה עולות, גם מספר הטביעות עולה (קורלציה חיובית). עם זאת, אכילת גלידה לא גורמת לטביעה, וטביעה לא גורמת לרצון לגלידה. הסיבה האמיתית שמקשרת בין שני הדברים היא הקיץ והטמפרטורות הגבוהות. החום גורם לאנשים גם לקנות יותר גלידה וגם ללכת יותר לים, מה שמעלה סטטיסטית את הסיכוי לטביעה. זו דוגמה למשתנה שלישי (מזג האוויר) שיוצר אשליה של קשר סיבתי בין שני משתנים אחרים.

האם קורלציה תמיד שגויה או חסרת תועלת?

ממש לא. קורלציה היא כלי חשוב מאוד במדע ובמחקר, והיא מהווה פעמים רבות את הצעד הראשון בגילוי תופעות חדשות. מציאת מתאם בין שני משתנים יכולה להצביע על כך שיש קשר כלשהו ששווה לחקור אותו לעומק. למשל, לפני שידעו בדיוק איך עישון גורם לסרטן מבחינה ביולוגית, זיהו קורלציה חזקה בין מעשנים לתחלואה. הקורלציה עצמה היא נתון עובדתי על הקשר בין המספרים; הבעיה מתחילה רק כאשר אנחנו מסיקים אוטומטית שיש סיבתיות בלי לבדוק גורמים נוספים או לבצע ניסויים מבוקרים.

מהו "משתנה מתערב" ואיך הוא משפיע על המסקנות?

משתנה מתערב (Confounding Variable), או גורם שלישי, הוא משתנה חיצוני שמשפיע הן על הגורם המשוער והן על התוצאה המשוערת, ובכך יוצר קשר סטטיסטי מטעה ביניהם. דוגמה נוספת היא הקשר בין שינה עם נעליים לבין כאבי ראש בבוקר. יש מתאם גבוה בין השניים, אבל הנעליים לא גורמות לכאב הראש. המשתנה המתערב כאן הוא ככל הנראה שתיית אלכוהול מופרזת: אדם שמשתכר עשוי להירדם עם נעליים, והאלכוהול הוא זה שגורם לכאב הראש (הנגאובר). אם לא נזהה את המשתנה המתערב, נגיע למסקנה שגויה שחליצת נעליים היא תרופה לכאבי ראש.

כיצד חוקרים מוכיחים סיבתיות בצורה מדעית?

כדי להוכיח סיבתיות ולנטרל את השפעתם של משתנים מתערבים, מדענים משתמשים בשיטה הנקראת "ניסוי מבוקר עם הקצאה אקראית" (Randomized Controlled Trial – RCT). בניסוי כזה, לוקחים קבוצת נבדקים ומחלקים אותם באופן אקראי לשתי קבוצות: קבוצת ניסוי שמקבלת את הטיפול או ההתערבות, וקבוצת ביקורת שמקבלת טיפול דמה (פלצבו) או לא מקבלת טיפול כלל. ההקצאה האקראית מבטיחה ששתי הקבוצות יהיו דומות במאפיינים שלהן, כך שההבדל היחיד ביניהן הוא הגורם הנבדק. אם רואים הבדל מובהק בתוצאות, ניתן לייחס אותו לטיפול עצמו ולא לגורמים אחרים.