Wat is het verschil tussen correlatie en causaliteit? (2024)

Een correlatie betekent dat er een verband is tussen twee factoren, maar het hoeft niet te betekenen dat er een oorzaak-gevolg relatie is (causaal verband). Soms is er zowel een correlatie als een causaal verband. Dit is bijvoorbeeld het geval als we kijken naar de correlatie tussen roken en de sterfte aan hart-en vaatziekten. Ondertussen is onomstotelijk bewezen dat de sterfte aan hart- en vaatziekten een direct gevolg is van (onder andere) roken.

Een tekstboek voorbeeld waarbij er wel een correlatie aanwezig is, maar waarbij er geen sprake van een causaal verband is: Als er meer ijsjes verkocht worden dan stijgt het aantal verdrinkingen.

Er zijn een aantal problemen met betrekking tot correlaties:

1. Correlaties kunnen ook andersom gelden. Zo kan het zijn dat meer verdrinkingen leiden tot het eten van meer ijsjes (niet heel waarschijnlijk in dit geval).
2. Er is een derde variabele die het verband kan verklaren (counfounding variabele). In het bovenstaande voorbeeld met het ijsje zou dit bijvoorbeeld de temperatuur kunnen zijn. Als het buiten mooi weer is zullen er meer ijsjes verkocht worden, maar tegelijkertijd zullen er door de hogere temperatuur meer mensen gaan zwemmen, wat tot een hoger aantal verdrinkingen zal leiden (afbeelding 1). In ons artikel over confoundingkan je hier meer over lezen.

Een beroemd (voor zover ik weet fictief) verhaal gaat als volgt:

“Tijdens een concert van U2 in Ierland neemt Bono de microfoon. “Elke keer dat ik in mijn handen klap, sterft er in Afrika iemand aan AIDS.” Vervolgens begint hij in zijn handen te klappen. Eerst is het publiek helemaal stil. Dan roept één van de bezoekers: “Stop dan met in je handen klappen.”

Dit is één van de vele voorbeelden waarop correlatie en causaliteit met elkaar verward kunnen worden. In dit voorbeeld zal het voor bijna iedereen duidelijk zijn dat het feit dat er in Afrika mensen aan AIDS sterven, niet het directe gevolg is van Bono die aan de andere kant van de wereld in zijn handen klapt. Wanneer Bono stopt, zullen er niet ineens minder mensen sterven. Stel dat er elke seconde één iemand overlijdt aan AIDS, en Bono elke seconde één keer in zijn hand klapt, dan is er een perfecte correlatie tussen de twee voorvallen zonder dat er een causaal verband is.

Toch gaat deze interpretatie vaak mis. Het menselijk brein is gebouwd om onbewust connecties te leggen tussen vele verschillende stukken informatie. Ons brein probeert vaak om patronen te vinden in willekeurige data, verbindt hier vervolgens een conclusie aan en gaat er dan (onterecht) vanuit dat er een relatie aanwezig is¹. Daarom is het voor onderzoekers van cruciaal belang om deze neiging te onderdrukken om in staat te zijn om data objectief te evalueren. Toch gaat dit regelmatig mis.

Voor je eigen vermaak is het leuk om eens te kijken naar de volgende opvallende correlaties.

Wanneer onderzoeksresultaten in de media gepubliceerd worden, zijn deze vaak op een misleidende manier geschreven. Want zeg nu zelf, welk van onderstaande twee krantenartikel zou je sneller lezen?

1. “Het drinken van alcohol veroorzaakt een hartaanval.”
2. “Mensen die meer alcohol drinken hebben gemiddeld een ongezondere levensstijl die er voor zorgt dat deze mensen meer risicolopen op een hartaanval.

Als je beide artikelen op een nieuwssite zou zetten dan is de kans groot dat het eerste artikel veel vaker aangeklikt wordt dan het tweede. Dit soort misleidende titels worden vaak gebruikt om meer aandracht te trekken, maar helaas komen de titels van dit soort nieuwsberichten vaak niet overeen met de conclusies van de onderzoeken waar ze op gebaseerd zijn. Zelfs in de rest van het nieuwsartikel nemen journalisten niet altijd de moeite om hun uitspraken te nuanceren, waardoor de lezers simpelweg foute informatie krijgen.

Een manier om “confounding variabelen” uit te sluiten is door speciale statistische analyses toe te passen die kunnen corrigeren voor deze variabelen (een regressie analyse). Zo zou er bijvoorbeeld in het voorbeeld van het ijsje in deze ingewikkelde statistische analyse gecorrigeerd kunnen worden voor de temperatuur, waardoor onderzoekers kunnen ontdekken dat er geen causaal verband is tussen het eten van een ijsje en het aantal verdrinkingen. Echter, blijf je ook met deze analyse altijd met het andere probleem van de correlatie zitten: Welke richting gaat het verband op? Dat kan je op geen enkele manier uitsluiten.

De enige echt goede manier om een causaal verband aan te tonen is om een gerandomiseerde klinische studie te verrichten. Hierbij zorgen onderzoekers ervoor dat er maar één verschil zit tussen twee groepen mensen/patiënten: het type behandeling. Als ze dan een verschil vinden tussen de verschillende groepen patiënten, is dit altijd het gevolg van een verschil in behandeling.