Haberlerde, sosyal medya paylaşımlarında ya da sohbetlerde sık sık şu kalıpla karşılaşırız: "Araştırmaya göre A yapanlar B'ye daha çok maruz kalıyor." Bu cümle çoğu zaman kulağa "A, B'ye neden oluyor" gibi gelir. Oysa aralarında büyük bir fark vardır. Bu yazı, istatistik eğitimi almamış ama günlük hayatta karşılaştığı veri iddialarını daha sağlıklı değerlendirmek isteyen okurlar için, korelasyon ile nedensellik arasındaki ayrımı sade bir dille ele alıyor.
Bir bakışta
- İki değişkenin birlikte değişmesi, aralarında neden-sonuç ilişkisi olduğu anlamına gelmez.
- Dondurma ve boğulma örneğinde asıl neden, her ikisini etkileyen sıcak hava faktörüdür.
- Kontrollü deneyler, karıştırıcı değişkenleri elemede gözlemsel verilerden daha güvenilirdir.
Korelasyon Nedir, Nedensellikten Nasıl Ayrılır?
Korelasyon, en basit haliyle iki şeyin birlikte değişme eğilimi göstermesidir. Biri artarken diğeri de artıyorsa ya da biri artarken diğeri azalıyorsa, aralarında bir korelasyondan söz edebiliriz. Örneğin bir şehirde satılan şemsiye sayısı ile yağmurlu gün sayısı genellikle birlikte artar.
Ancak bu birliktelik, otomatik olarak birinin diğerinin nedeni olduğu anlamına gelmez. Şemsiye satışı yağmura neden olmaz; tam tersine yağmur, şemsiye satışını artırır. Bu basit örnekte neden-sonuç ilişkisinin yönünü kolayca görebiliyoruz, ama gerçek hayattaki pek çok iddiada bu yön hiç de bu kadar net değildir. İki değişkenin birlikte hareket etmesi sadece bir ipucudur; "neden" sorusuna cevap vermek için daha fazla bilgiye ihtiyaç duyarız.
Yanıltıcı Korelasyonlar Nasıl Ortaya Çıkar?
Yanıltıcı (spurious) korelasyonlar birkaç farklı sebepten doğabilir.
Tesadüf: Çok sayıda veri setini karşılaştırdığınızda, aralarında hiçbir mantıklı bağlantı olmasa bile sırf rastlantı sonucu birlikte hareket eden ikililer bulmak mümkündür. Veri miktarı arttıkça, anlamsız ama istatistiksel olarak "ilginç görünen" eşleşmelerin ortaya çıkma ihtimali de artar.
Gizli/karıştırıcı değişkenler (confounding variables): Bazen iki değişken birbirini etkilemez, ama üçüncü bir faktör her ikisini de aynı anda etkiler. Bu üçüncü faktör gözden kaçtığında, sanki ilk iki değişken arasında doğrudan bir ilişki varmış gibi bir izlenim oluşur.
Ters nedensellik: Bazen de neden ile sonuç yer değiştirmiş gibi görünür. Örneğin "mutlu insanlar daha çok spor yapıyor" verisi, sporun mutluluğu artırdığı şeklinde yorumlanabilir; ama aslında zaten mutlu ve enerjik olanların spora daha kolay zaman ayırması da mümkündür. Hangi yönün doğru olduğunu veri tek başına söylemez.
Klasik Örnek: Dondurma ve Boğulma Vakaları
Bu konunun en çok anlatılan örneği dondurma satışları ile boğulma vakalarıdır. Bir şehirdeki verilere bakıldığında, dondurma satışlarının arttığı dönemlerde boğulma vakalarının da arttığı görülür. Yüzeysel bakıldığında "dondurma yemek boğulmaya yol açıyor" gibi saçma bir sonuç çıkarılabilir.
Gerçekte ise her iki değişkeni de etkileyen ortak bir faktör vardır: sıcak hava. Hava ısındıkça hem dondurma tüketimi artar hem de insanlar denize, havuza, göle daha çok gider; bu da boğulma riskini yükseltir. Dondurma ile boğulma arasında doğrudan bir neden-sonuç ilişkisi yoktur; ikisi de bağımsız olarak üçüncü bir değişkenden, mevsimden etkilenir.
Buradan çıkarılacak genel ders şudur: iki değişken arasında güçlü bir birliktelik gördüğünüzde, ilk sorunuz "bu ikisini aynı anda etkileyen başka bir şey olabilir mi?" olmalıdır.
Nedensellik Değerlendirirken Sorulması Gereken Sorular
Bir iddianın gerçek bir neden-sonuç ilişkisi taşıyıp taşımadığını değerlendirirken sorabileceğiniz birkaç temel soru vardır:
- Mantıklı bir mekanizma var mı? A'nın B'ye nasıl yol açtığını adım adım anlatabiliyor musunuz? Biyolojik, fiziksel ya da sosyal olarak makul bir süreç tarif edilemiyorsa, ilişki şüpheli olabilir.
- Zamansal sıralama doğru mu? Neden olduğu iddia edilen şey, sonuçtan önce mi gerçekleşiyor? Sonuç, nedenden önce ortaya çıkmışsa bu iddia zaten çökmüş demektir.
- Alternatif açıklamalar elenebiliyor mu? Araştırmacılar yaş, gelir, eğitim gibi başka faktörleri hesaba katmışlar mı? Bu faktörler kontrol edilmeden yapılan karşılaştırmalar yanıltıcı olabilir.
Bu üç soruyu sorma alışkanlığı, karşılaştığınız pek çok "çarpıcı" veri iddiasını daha temkinli değerlendirmenizi sağlar.
Kontrollü Deneyler Neden Daha Güçlü Kanıt Sunar?
Nedensellik iddialarını test etmenin en güçlü yollarından biri kontrollü deneydir. Mantığı aslında basittir: katılımcılar rastgele iki gruba ayrılır, bir gruba incelenen etken (ilaç, eğitim yöntemi, yeni bir uygulama vb.) verilirken diğer gruba verilmez. Rastgele atama sayesinde iki grup, bilinen ve bilinmeyen tüm diğer özellikler bakımından (yaş, gelir, alışkanlıklar vb.) ortalamada birbirine benzer hale gelir. Sonuçta gruplar arasında bir fark ortaya çıkarsa, bu farkın büyük ölçüde incelenen etkenden kaynaklandığı söylenebilir.
Gözlemsel verilerde böyle bir rastgele atama yoktur; insanlar kendi tercihleriyle bir grupta ya da diğerinde yer alır, bu da karıştırıcı faktörlerin araya girme ihtimalini artırır. Bu yüzden deneyler, karıştırıcı değişkenleri kontrol etmede gözlemsel çalışmalara göre daha güçlü bir konumdadır.
Yine de her konuyu deneyle test etmek mümkün değildir. Etik nedenlerle insanlara zararlı olabilecek bir durumu deneysel olarak uygulamak doğru olmaz; bazı durumlarda da pratik engeller (maliyet, süre, ölçek) deneyi imkânsız kılar. Bu gibi durumlarda araştırmacılar gözlemsel verilerle çalışmak zorunda kalır.
Gözlemsel Verilerle Çalışırken Dikkat Edilmesi Gerekenler
Gözlemsel veriler -yani müdahale edilmeden, doğal ortamda toplanan veriler- değerli ipuçları sunabilir, ancak bazı sınırlılıkları akılda tutmak gerekir.
Öncelikle örneklem seçimi önemlidir: Veri, incelenen grubu gerçekten temsil ediyor mu, yoksa belirli bir kesimi (örneğin sadece internet kullananları ya da sadece ankete gönüllü katılanları) mı yansıtıyor? Ardından eksik veri sorunu gelir; bazı gruplar veya dönemler hakkında yeterli veri olmayabilir, bu da yanıltıcı genellemelere yol açabilir. Son olarak ölçüm hataları da sonuçları etkileyebilir; bir kavramın nasıl tanımlandığı ve ölçüldüğü, bulguların güvenilirliğini doğrudan belirler.
Bütün bunlar gözlemsel verilerin değersiz olduğu anlamına gelmez. Aksine, çoğu zaman yeni hipotezler üretmemizi ve ilgi çekici örüntüleri fark etmemizi sağlayan ilk adımdır. Ama tek başına kesin bir neden-sonuç kanıtı olarak sunulduğunda temkinli yaklaşmak gerekir.
Medyada "X, Y'ye Neden Oluyor" Başlıklarını Eleştirel Okumak
Haber başlıkları genellikle dikkat çekmek için, dayandıkları araştırmanın gerçek bulgusundan daha kesin ve iddialı bir dil kullanır. Bir araştırmacının "A ile B arasında bir ilişki gözlemledik, bu ilişkinin nedenleri henüz net değil" şeklindeki temkinli ifadesi, haber başlığında kolayca "A, B'ye neden oluyor" haline gelebilir.
Bu yüzden bir haberle karşılaştığınızda birkaç basit adım işinize yarayabilir:
- Haberin dayandığı çalışmanın deneysel mi yoksa gözlemsel mi olduğuna bakın. Bu bilgi genelde haberin içinde, bazen de sadece orijinal çalışmada geçer.
- Çalışmanın örneklem büyüklüğü ve kapsamı hakkında bir fikir edinmeye çalışın; çok küçük ya da dar bir örneklemden çıkarılan genellemeler daha kırılgandır.
- Haberde "neden oluyor" yerine "ilişkili" ya da "bağlantılı" gibi daha temkinli ifadeler kullanılıp kullanılmadığına dikkat edin; bu, yazarın da ihtiyatlı davrandığının bir işareti olabilir.
Sosyal medyada paylaşılan tek bir grafik ya da tek bir istatistikle hızlı yargıya varmaktan kaçınmak, bu konuda atılabilecek en basit ama etkili adımlardan biridir.
Grafikler ve Trend Çizgileri Nasıl Yanıltabilir?
Veri görselleştirmeleri, nedensellik izlenimini güçlendiren ama her zaman haklı çıkarmayan araçlardır. İki eğrinin aynı grafik üzerinde aynı yönde hareket etmesi, gözümüze son derece "ikna edici" görünebilir; oysa bu sadece bir korelasyonun görsel ifadesidir, nedensellik kanıtı değildir.
Ayrıca grafiklerin nasıl çizildiği de izlenimi değiştirebilir. Y ekseninin belirli bir aralıkta başlatılması, küçük bir farkı dramatik bir sıçrama gibi gösterebilir. Benzer şekilde, incelenen zaman aralığının seçimi de sonucu etkiler; kısa bir dönem seçilerek gösterilen "yükseliş" ya da "düşüş", daha uzun bir zaman çizelgesine bakıldığında anlamını kaybedebilir.
Bir grafikle karşılaştığınızda kendinize şu soruları sormak faydalı olur: Eksenler nereden başlıyor, ölçek makul mü? Gösterilen zaman aralığı neden bu şekilde seçilmiş? Grafikte yer almayan ama sonucu etkileyebilecek başka bir dönem ya da değişken var mı?
Sonuç: Günlük Hayatta Pratik Bir Yaklaşım
Korelasyon ile nedensellik arasındaki farkı ayırt etmek, karmaşık istatistiksel bilgi gerektirmez; daha çok birkaç soruyu alışkanlık haline getirmekle ilgilidir: Bu ilişkiyi açıklayan mantıklı bir süreç var mı? Zaman sıralaması doğru mu? Ortada gizli bir üçüncü faktör olabilir mi? Bu iddia bir deneye mi, yoksa gözlemsel bir veriye mi dayanıyor?
Burada amaç her veri iddiasını reddeden bir şüphecilik değil, dengeli bir okuma tutumudur. Gözlemsel bulgular, dikkatle değerlendirildiğinde değerli ipuçları sunar; ama kesin bir "neden-sonuç" hükmü vermeden önce bu ipuçlarının sınanmaya ihtiyacı vardır. Bu basit zihinsel kontrol listesini günlük hayatta uygulamak, hem haberleri hem de karşılaşılan grafikleri daha sağlıklı değerlendirmeyi, dolayısıyla daha bilinçli kararlar almayı kolaylaştırır.
