L’idea
Una correlazione può nascere da una causa comune (un fattore confondente), dalla causalità inversa, da come è stato selezionato il campione o dal caso. Il modo più diretto per stimare un effetto causale è un esperimento con assegnazione casuale, come un test A/B. Con dati osservazionali servono ipotesi esplicite e metodi di inferenza causale. Rubin (1974) formalizzò l’effetto causale come confronto tra «esiti potenziali»: ciò che succede con il trattamento e ciò che sarebbe successo senza. Pearl, Glymour e Jewell (2016) ne danno un’introduzione con i grafi causali. Un caso in cui la confusione tra le due porta a conclusioni opposte è il paradosso di Simpson.
Un esempio
Vendite di gelati e annegamenti crescono insieme, perché entrambi aumentano d’estate: la temperatura è la causa comune.
Da dove viene
- Rubin (1974), «Estimating causal effects of treatments in randomized and nonrandomized studies», Journal of Educational Psychology 66. doi:10.1037/h0037350
- Pearl, Glymour, Jewell, Causal Inference in Statistics: A Primer, Wiley, 2016.