Vzročnost: kaj pomeni, da nekaj povzroči nekaj drugega?
Vzročnost ni skrita etiketa, ki jo preberemo neposredno iz podatkov. Članek loči korelacijo, časovni red, skupne vzroke, kontrafaktuale, intervencije, mehanizme in raziskovalne načrte, s katerimi gradimo vzročni sklep.
Ko rečemo, da je nekaj povzročilo nekaj drugega, navadno trdimo več kot le to, da sta se dve stvari pojavili skupaj. Trdimo, da bi sprememba prve stvari lahko naredila razliko za drugo — da med njima obstaja povezava, ki ni samo naključje, skupni vzorec ali posledica tretjega dejavnika.
Prav tu se začne težava. Podatki nam pogosto pokažejo, da se dve spremenljivki gibljeta skupaj, ne povedo pa sami od sebe, zakaj. Ljudje, ki jemljejo neko zdravilo, so lahko v povprečju bolj bolni prav zato, ker zdravilo dobijo bolnejši. Več gasilcev je lahko povezano z večjo škodo zato, ker večji požari zahtevajo več gasilcev. Korelacija je lahko pomemben namig, vendar smer puščice ni zapisana v sami korelaciji.
Sodobno vzročno sklepanje zato uporablja več različnih orodij. Vprašamo, kaj se je zgodilo prej, kateri skupni vzroki bi lahko ustvarili navidezno povezavo, kaj bi se zgodilo v primerljivem svetu brez domnevnega vzroka, kaj se zgodi ob intervenciji in ali poznamo mehanizem, ki povezavo naredi razumljivo. Randomizirani poskus je eno najmočnejših orodij, ni pa edini način, kako se učimo o vzrokih.
Vzročnost zato ni en sam test in ni ena filozofska formula. Je discipliniran način razlikovanja med napovedjo in spremembo, med spremljanjem in povzročanjem ter med zgodbo, ki je možna, in sklepom, ki ga podpirajo podatki, raziskovalni dizajn in znanje o sistemu.
Korelacija je začetek vprašanja, ne konec odgovora
Korelacija pove, da se dve spremenljivki statistično povezujeta. Če se X spremeni, se pogosto spremeni tudi Y. Toda isti vzorec lahko nastane zaradi zelo različnih struktur. X lahko povzroča Y, Y lahko povzroča X, oba lahko povzroča Z, povezava je lahko posledica izbire vzorca ali merjenja, v manjših podatkih pa jo lahko ustvari tudi naključje.
Zato stavek »korelacija ne pomeni vzročnosti« ni poziv, naj korelacije ignoriramo. Brez vzorcev v podatkih pogosto sploh ne bi vedeli, kaj raziskovati. Pravilnejši nauk je, da korelacija sama ne določi vzročne razlage. Za prehod od opaženega vzorca k vzroku potrebujemo dodatne predpostavke in dokaze.
Pomembna je tudi razlika med napovedovanjem in poseganjem. Barometer lahko dobro napove spremembo vremena, vendar premikanje kazalca barometra ne bo povzročilo nevihte. Spremenljivka je lahko odličen napovednik, ne da bi bila uporabna tarča za intervencijo. Vzročni sklep sprašuje prav po tej razliki: kaj bi se zgodilo z izidom, če bi na domnevni vzrok dejansko vplivali?
Časovni red: kaj je bilo prej?
Za običajne empirične vzročne trditve je časovni red temeljna omejitev. Domnevni vzrok mora nastopiti pred posledico oziroma mora sprememba vzroka nastopiti pred spremembo učinka. Če bolezen začne spreminjati prehrano še preden jo izmerimo, lahko napačno sklepamo, da prehrana povzroča bolezen, čeprav del povezave teče v obratni smeri.
Toda časovna prednost sama še ne dokazuje ničesar. Petelin zapoje pred sončnim vzhodom, vendar ga ne povzroči. Alarm zazvoni pred prihodom gasilcev, vendar to ne pomeni, da zvok alarma povzroča požar. Časovni red nam predvsem pomaga izločiti nekatere razlage in odkriti možnost povratne vzročnosti.
Pri hitrih, povratnih ali medsebojno povezanih sistemih je lahko vrstni red težko določiti. Gospodarstvo, vedenje, biologija in družbeni sistemi pogosto vsebujejo zanke, v katerih X vpliva na Y, Y pa pozneje spet na X. Zato je treba vprašanje »kaj je bilo prej?« povezati z dovolj natančno časovno ločljivostjo in jasnim modelom procesa.
Skupni vzrok: kako nastane navidezna puščica
Eden najpogostejših razlogov za napačen vzročni sklep je mešanje učinkov zaradi motečih dejavnikov (ang. confounding). Tretja spremenljivka vpliva tako na domnevni vzrok kot na izid in s tem ustvari ali popači povezavo med njima. Dež denimo poveča uporabo dežnikov in mokroto cest; če dež spregledamo, lahko dobimo močno povezavo med dežniki in mokrimi cestami, čeprav dežnik ni vzrok mokre ceste.
V medicini je klasičen problem »mešanje zaradi indikacije« (ang. confounding by indication): bolnejši ljudje pogosteje dobijo močnejše zdravljenje. Če samo primerjamo zdravljene in nezdravljene, lahko zdravljenje napačno izgleda škodljivo. Podobne težave nastajajo povsod, kjer ljudje, institucije ali sistemi sami izbirajo izpostavljenost glede na tveganje, potrebe ali pričakovani izid.
Rešitev ni preprosto »kontroliraj vse spremenljivke«. Nekatere spremenljivke so posredniki na poti med vzrokom in učinkom, druge so posledice več vzrokov; neustrezno prilagajanje lahko del pravega učinka odstrani ali celo ustvari novo pristranost. Zato so vzročni diagrami koristni predvsem kot način, da pred analizo jasno zapišemo svoje predpostavke o smeri povezav.
Kontrafaktual: kaj bi se zgodilo, če vzroka ne bi bilo?
Močna intuicija o vzročnosti je kontrafaktualna: če se X ne bi zgodil, ali bi se Y vseeno zgodil? Če odstranitev X spremeni odgovor, imamo razlog, da X obravnavamo kot vzročno relevanten. Sodobna statistična teorija ta problem pogosto formulira s potencialnimi izidi: za isto enoto si predstavljamo izid pod eno in izid pod drugo izpostavljenostjo.
Težava je očitna: za isto osebo, državo, celico ali planet ne moremo v istem trenutku opazovati obeh zgodovin. Vidimo le eno dejansko pot. Zato je vzročni učinek vedno povezan s problemom manjkajočega kontrafaktuala — z vprašanjem, kako verodostojno oceniti neopaženi izid.
Primerjava z drugo osebo ali drugo skupino deluje le, če je ta dovolj dobra zamenjava za neopaženi kontrafaktual. Prav tu vstopijo raziskovalni dizajn, randomizacija, naravni eksperimenti, ponovitve in statistične prilagoditve. Ne ustvarijo dobesedno drugega sveta, ampak skušajo zgraditi primerjavo, ki bi se mu dovolj približala.
Intervencija: kaj se zgodi, če X namenoma spremenimo?
Intervencijski pogled postavi praktično vprašanje: če bi spremenili X, medtem ko drugih relevantnih poti ne bi hkrati umetno spreminjali, ali bi se spremenil Y? To loči opazovanje od posega. Videti, da imajo ljudje z določeno lastnostjo drugačen izid, ni isto kot vedeti, kaj se zgodi, če to lastnost spremenimo.
Randomizirani kontrolirani poskus je močan zato, ker naključna razporeditev v povprečju prekine sistematično povezavo med dodeljenim posegom in predhodnimi vzroki izida. Skupini naj bi se zato razlikovali predvsem po dodeljeni intervenciji, kar omogoča čistejšo oceno njenega učinka.
Randomizacija pa ni čarovnija. Majhni vzorci imajo lahko naključna neravnovesja, ljudje lahko odstopijo od dodeljenega zdravljenja, izidi se lahko napačno merijo, udeleženci izpadejo iz študije, rezultat v ozki skupini pa se morda ne prenese na drugo populacijo. Dober eksperiment močno izboljša vzročni sklep, ne odpravi pa potrebe po presoji.
Mehanizem: kako naj bi vzrok ustvaril učinek?
Mehanistična razlaga pokaže vmesne procese, skozi katere vzrok prispeva k učinku. V biologiji lahko vključuje receptorje, signalne poti in spremembo delovanja celic; v tehniki prenos sile ali energije; v družbenih sistemih spodbude, informacije, pravila in vedenjske odzive. Mehanizem nam pomaga razumeti, zakaj povezava ni le statistični vzorec.
Toda mehanizem ni samostojen dokaz, če je le verjetna zgodba. Za skoraj vsak vzorec je mogoče naknadno sestaviti pripoved, ki zveni prepričljivo. Dober mehanistični argument zato potrebuje neodvisno oporo: merljive vmesne korake, pravilno časovno zaporedje, odziv na poseg ali druge napovedi, ki bi lahko bile napačne.
Velja tudi obratno: pomanjkanje znanega mehanizma ne dokazuje, da vzročnosti ni. Bradford Hill je že pri epidemiološkem sklepanju opozarjal, da laboratorijska in mehanistična opora lahko hipotezo močno okrepi, vendar ne smemo nepoznavanja mehanizma spremeniti v absolutni veto. Znanost pogosto najprej zanesljivo zazna učinek, podrobni mehanizem pa razjasni pozneje.
Ko eksperiment ni mogoč: opazovanje, naravni eksperimenti in triangulacija
Veliko pomembnih vprašanj ne dovoljuje randomizacije. Ljudem ne moremo naključno dodeliti kajenja za desetletja, potresa, revščine ali izpostavljenosti nevarnemu onesnaževalu. V takih primerih vzročni sklep ne izgine; postane bolj odvisen od kakovosti dizajna in od tega, kako dobro obvladamo alternativne razlage.
Raziskovalci uporabljajo kohortne in druge opazovalne študije, naravne eksperimente, instrumentalne spremenljivke, diskontinuitete, spremembe politik in druge kvazieksperimentalne pristope. Vsaka metoda ima svoje predpostavke. Ključno vprašanje ni, ali je študija označena kot »opazovalna« ali »eksperimentalna«, temveč katere poti pristranosti njen dizajn zapira in katere ostajajo odprte.
Zato je pogosto najmočnejša triangulacija: različne metode, populacije, meritve in podatkovni viri vodijo do podobnega sklepa, pri čemer njihove glavne slabosti niso iste. Skladnost neodvisnih dokaznih poti je bolj prepričljiva kot deset skoraj identičnih analiz z isto skrito pristranostjo.
Vzroki niso nujno potrebni, zadostni ali deterministični
V vsakdanjem jeziku si vzrok pogosto predstavljamo kot stikalo: če se vzrok zgodi, sledi učinek. V številnih sistemih pa vzroki le spremenijo verjetnost. Kajenje poveča tveganje za pljučnega raka, vendar ne zboli vsak kadilec in bolezen lahko nastane tudi pri nekadilcu. To ni ugovor proti vzročnosti, temveč značilnost večvzročnih in verjetnostnih sistemov.
En dejavnik je lahko del več različnih poti do istega izida. Okužba, genetska ranljivost, okolje in vedenje lahko skupaj oblikujejo tveganje; odstranitev enega dejavnika lahko tveganje zmanjša, ne da bi ga odpravila. Zato vprašanje »ali je X vzrok?« pogosto potrebuje dodatno pojasnilo: v kateri populaciji, v katerih okoliščinah, za kateri izid in s kakšno velikostjo učinka?
Tudi pojma »potreben« in »zadosten« sta strožja od običajnega pomena besede vzrok. Nekaj je lahko resničen vzročni dejavnik, ne da bi bilo samo po sebi dovolj za učinek ali nujno za vsak primer učinka. Ta razlika preprečuje lažni argument: »zgodilo se je tudi brez X, torej X ne more povzročati Y.«
Vzrok v populaciji ni isto kot vzrok posameznega dogodka
Trditev »X povečuje tveganje za Y« govori o splošnem oziroma populacijskem vzročnem učinku. Trditev »X je povzročil ta konkretni Y« pa govori o posameznem dogodku. Drugo vprašanje je pogosto težje, ker pri enem primeru ne moremo neposredno opazovati njegove alternativne zgodovine.
To razlikovanje je pomembno v medicini, zgodovini, pravu in vsakdanjem življenju. Če zdravljenje dokazano zmanjša tveganje v populaciji, še vedno ne moremo vedno z gotovostjo povedati, ali je prav zdravljenje rešilo določenega posameznika. Če izpostavljenost poveča tveganje za bolezen, iz statističnega učinka ne sledi avtomatično, da je bila edini vzrok bolezni pri posamezni osebi.
Splošni in posamezni vzroki seveda niso nepovezani. Populacijski podatki, časovni potek, mehanistični dokazi in posebnosti primera se lahko združijo v oceno posamezne vzročnosti. Toda stopnja gotovosti in vrsta potrebnega dokaza nista vedno enaki kot pri ocenjevanju povprečnega učinka v skupini.
Kako presojati vzročno trditev v praksi
Ko nekdo trdi, da X povzroča Y, je uporabno najprej vprašati, kakšen dokaz sploh imamo. Ali gre le za korelacijo? Je X časovno pred Y? Obstaja verjeten skupni vzrok ali povratna smer? Kako so bile skupine izbrane? Kaj je bilo merjeno in česa ne? Je bil poseg randomiziran ali obstaja naravni eksperiment, ki približa verodostojen kontrafaktual?
Nato vprašamo, ali različne dokazne poti kažejo v isto smer. Ali učinek ostane v različnih populacijah in analizah? Ali se spremeni ob intervenciji? Je velikost učinka smiselna? Poznamo mehanizem in njegove vmesne korake? Ali obstaja alternativna razlaga, ki hkrati pojasni več podatkov z manj dodatnimi predpostavkami?
Bradford Hill je svoje znamenite vidike povezave predstavil prav kot pomoč pri presoji, ne kot seznam trdih pravil, ki bi avtomatično dokazala vzrok. Sodobni vzročni modeli so formalnejši, vendar ohranjajo isti metodološki nauk: izračun ne more nadomestiti vprašanja, kateri vzročni svet model predpostavlja.
Najvarnejši sklep je zato skromen, vendar močan. Vzročnosti praviloma ne »vidimo« neposredno v eni številki. Gradimo jo kot sklep iz časovne strukture, primerljivih kontrafaktualov, intervencij, mehanizmov, modelov in neodvisnih dokazov. Dober vzročni sklep ni popolna gotovost; je razlaga, ki je prestala resen poskus, da bi jo zamenjali z boljšo.
Viri in nadaljnje branje
- THY-REALITY — Dejstvo, interpretacija, hipoteza in špekulacija niso isto / Fact, Interpretation, Hypothesis and Speculation Are Not the Same (LOCKED): methodological separation between observation and explanatory claim.
- THY-REALITY — Kako oceniti vir / How to Evaluate a Source (LOCKED): source quality, independence, triangulation and evidential fit.
- THY-REALITY — Vzrok in posledica: dejanja niso brez posledic / Cause and Effect: Actions Have Consequences (LOCKED): distinction between causal contribution, risk, responsibility and moral evaluation.
- THY-REALITY — Kako vemo, da nekaj vemo? Dokaz, prepričanje in gotovost / How Do We Know What We Know? Evidence, Belief, and Certainty (LOCKED): degrees of evidence and calibrated confidence.
- THY-REALITY — Kako dokazujemo skrite operacije: od suma do dokumenta / How We Prove Hidden Operations: From Suspicion to Document (LOCKED): convergence of independent evidence and avoidance of single-clue inference.
- Woodward, J. — Causation and Manipulability. Stanford Encyclopedia of Philosophy, substantive revision 2023. Interventionist accounts, structural equations, causal graphs and limits of manipulability theories.
- Menzies, P.; Beebee, H. — Counterfactual Theories of Causation. Stanford Encyclopedia of Philosophy, substantive revision 2024. Counterfactual dependence, actual causation and structural-equation approaches.
- Hitchcock, C. — Causal Models. Stanford Encyclopedia of Philosophy. Structural causal models, interventions, counterfactuals, type and token causation.
- Craver, C. F.; Tabery, J. — Mechanisms in Science. Stanford Encyclopedia of Philosophy, substantive revision 2024. Mechanistic explanation, organization and the role of mechanisms in scientific reasoning.
- Hernán, M. A.; Robins, J. M. — Causal Inference: What If. Chapman & Hall/CRC, 2020; continuously updated online edition. Counterfactual outcomes, exchangeability, randomization, confounding, causal diagrams and observational causal inference.
- Hill, A. B. — The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine 58(5), 295–300 (1965). Temporality, experiment, plausibility and other viewpoints as aids to causal judgment rather than hard proof rules.
- Hitchcock, C. — Probabilistic Causation. Stanford Encyclopedia of Philosophy, archived 2022 edition. Causes can alter probabilities without deterministically guaranteeing their effects.
- Frisch, M. — Causation in Physics. Stanford Encyclopedia of Philosophy. Causal models, interventionist approaches and limits of applying causal language in fundamental physics.