Korelacija i uzročnost

Zadnja provjera: listopad 2026.

„Djeca koja doručkuju imaju bolje ocjene.” „Ljudi koji puno vremena provode na društvenim mrežama tjeskobniji su.” Takve rečenice svakodnevno čitamo na portalima i u novinama, a gotovo uvijek opisuju **korelaciju** – podatak da dvije pojave idu zajedno. Iz njih se, međutim, lako izvuče zaključak koji podaci ne nose: da jedna pojava *uzrokuje* drugu.

U Školici, u lekciji [Što je znanstveno istraživanje u psihologiji?](/lekcija/znanstvena-metoda-u-psihologiji), upoznali smo osnovnu ideju da korelacija nije uzročnost. Ova lekcija ide dalje: kako se čita koeficijent korelacije, na koje sve načine povezanost može nastati bez uzročne veze i kako se istraživači ipak približavaju uzročnim zaključcima kada pokus nije moguć.

1. Što je korelacija

Dvije varijable koje se mijenjaju zajedno

Korelacija opisuje koliko se dvije izmjerene varijable sustavno mijenjaju zajedno. Najčešće se izražava **koeficijentom korelacije**, koji se označava slovom *r* i kreće od −1 do +1.

Negativna korelacija nije „slabija” ni „lošija” od pozitivne. Korelacija od −0,5 jednako je jaka kao i +0,5, samo je suprotnog smjera.

Intuicija dijagrama raspršenja

Korelaciju je najlakše razumjeti ako se zamisli **dijagram raspršenja**: svaka osoba je jedna točka, a položaj točke određuju njezine dvije vrijednosti. Kod jake korelacije točke tvore usku, izduženu „cigaru”. Kod slabe korelacije to je širok, tek blago nagnut oblak. Kod korelacije blizu nule oblak nema nagiba.

Iz te slike slijede dvije važne stvari. Prvo, i uz razmjerno jaku korelaciju postoji mnogo iznimaka: osoba koja malo spava može imati odličan rezultat. Korelacija opisuje **obrazac u skupini**, a ne pravilo za svakog pojedinca. Drugo, sam broj može zavarati. Statističar Francis Anscombe sastavio je četiri mala skupa podataka s praktički jednakim koeficijentom korelacije i drugim osnovnim pokazateljima, a sasvim različitim dijagramima: jedan je bio uobičajen oblak, jedan zakrivljena linija, a u dva je cijelu sliku određivala jedna jedina netipična točka (Anscombe, 1973). Pouka je jednostavna: prije tumačenja broja treba pogledati podatke.

*r* nije postotak

Česta je pogreška korelaciju od 0,30 čitati kao „30 % ljudi” ili „30 % uzroka”. Koeficijent korelacije nije postotak ničega. Ne govori koliko je ljudi „pogođeno”, koliko se jedna varijabla promijeni kada se druga promijeni za jedinicu, ni koliki je dio pojave uzrokovan drugom pojavom. Postoji srodna mjera, kvadrat korelacije, koji se tumači kao udio zajedničke varijabilnosti dviju varijabli – ali ni on ne znači „postotak uzroka”.

Koliko je neka korelacija velika ili praktično važna i kako se tumači statistička značajnost, obrađuje lekcija [Veličina učinka i statistička značajnost](/lekcija/velicina-ucinka-i-statisticka-znacajnost).

2. Zašto povezanost ne dokazuje uzrok

Kada su A i B povezani, moguće je da A uzrokuje B. Ali postoji još nekoliko objašnjenja koja treba razmotriti prije nego što se u to povjeruje. Metodološki pregled zaključivanja iz opažajnih podataka naglašava da je uzročni zaključak iz korelacije moguć samo uz jasno izrečene pretpostavke o tome kako su varijable povezane, a te pretpostavke traže dobro poznavanje područja (Rohrer, 2018).

Treća varijabla

Dvije pojave mogu biti povezane zato što obje ovise o nečemu trećem. Djeca koja redovito doručkuju možda imaju bolje ocjene, ali redovit doručak može biti i znak uređenije obiteljske svakodnevice, više roditeljskog vremena ili boljih materijalnih uvjeta – a sve to može utjecati i na ocjene. Takva se varijabla naziva **zbunjujuća varijabla** (engl. *confounder*).

Obrnuti smjer

Povezanost ne govori u kojem smjeru djeluje utjecaj. Ako su tjeskobniji ljudi više na društvenim mrežama, mreže možda pojačavaju tjeskobu – ali je jednako moguće da tjeskobni ljudi više vremena provode na mrežama, primjerice zato što izbjegavaju susrete uživo. Često djeluju oba smjera istodobno.

Odabir uzorka

Povezanost može nastati i zbog toga **tko je ušao u uzorak**. Statističar Joseph Berkson pokazao je da se u uzorcima bolničkih pacijenata mogu pojaviti povezanosti među bolestima kojih u općoj populaciji nema, jednostavno zato što ljudi s više tegoba imaju veću vjerojatnost da završe u bolnici (Berkson, 1946). Isti mehanizam djeluje i u svakodnevici: ako se na posao primaju ljudi koji su *ili* vrlo talentirani *ili* vrlo marljivi, među zaposlenima talent i marljivost mogu izgledati negativno povezani, iako u cijeloj populaciji nisu.

Slučajne i lažne korelacije

Kada se usporedi dovoljno mnogo varijabli, neke će biti povezane čistim slučajem ili zbog razlika koje nitko nije mjerio. Poznat primjer je kratak tekst u uglednom medicinskom časopisu koji je pokazao vrlo visoku korelaciju između potrošnje čokolade po stanovniku i broja nobelovaca u 23 zemlje (Messerli, 2012). Tekst je napisan napola u šali, ali dobro ilustrira problem: podaci na razini država lako se poklapaju zbog bogatstva, obrazovnih sustava i drugih razlika među zemljama.

Ograničeni raspon

Korelacija može stvarnu povezanost i *prikriti*. Ako se mjeri samo u skupini ljudi koji su već prošli strogu selekciju, raspon vrijednosti je sužen, pa je korelacija u toj skupini manja nego u široj populaciji. Prijemni ispit, primjerice, može dobro razlikovati kandidate, a ipak slabo korelirati s uspjehom među upisanim studentima – jer su upisani samo oni s visokim rezultatom. Psihologija rada razradila je postupke kojima se taj učinak procjenjuje i ispravlja (Sackett i Yang, 2000). Slaba korelacija u odabranoj skupini zato ne znači nužno da je povezanost slaba.

3. Kako se bez pokusa približiti uzroku

Najizravniji put do uzročnog zaključka jest pokus u kojem istraživač sam mijenja jednu varijablu i nasumično raspoređuje sudionike; on je opisan u lekciji [Eksperiment u psihologiji](/lekcija/eksperiment-u-psihologiji). Mnoga pitanja – o siromaštvu, obrazovanju ili traumi – ne mogu se, međutim, istraživati pokusom. Tada se koriste nacrti koji ne daju potpunu sigurnost, ali isključuju dio alternativnih objašnjenja.

Longitudinalna istraživanja

U **longitudinalnom istraživanju** iste se osobe mjere više puta tijekom vremena. Tako se vidi što se dogodilo prije, a što poslije, i predviđa li promjena jedne varijable kasniju promjenu druge. To pomaže kod pitanja smjera, ali ne rješava problem treće varijable.

Ni vremenski redoslijed nije jamstvo. Često korišten model, koji provjerava predviđa li A u prvom mjerenju B u drugom i obrnuto, ne razdvaja trajne razlike među ljudima od promjena unutar iste osobe. Kritička analiza tog modela pokazala je da zato može dati pogrešne zaključke o tome što na što djeluje i predložila poboljšani pristup (Hamaker, Kuiper i Grasman, 2015).

Prirodni eksperimenti

Ponekad sam život stvori situaciju sličnu pokusu: neki događaj ili pravilo razvrsta ljude u skupine na način koji ne ovisi o njihovim osobinama. Primjer su promjene zakona o obveznom školovanju ili granični datumi za upis u školu, zbog kojih djeca rođena s nekoliko dana razmaka mogu završiti s godinom školovanja više ili manje.

Meta-analiza istraživanja koja su, uz druge pristupe, koristila i takve nacrte procijenila je da dodatna godina obrazovanja povećava rezultate na testovima inteligencije za otprilike 1 do 5 IQ bodova (Ritchie i Tucker-Drob, 2018). Obična korelacija između obrazovanja i inteligencije to ne bi mogla pokazati, jer sposobniji ljudi ionako češće dulje ostaju u školi. Prirodni eksperimenti nisu besprijekorni – uvijek treba pitati je li „slučajna” raspodjela doista bila slučajna – ali su često najjači dokaz koji je etički i praktično dostupan.

Statistička kontrola i njezine granice

Treći pristup je **statistička kontrola**: istraživač izmjeri moguće treće varijable – prihod, obrazovanje, dob – i u analizi provjeri ostaje li povezanost kada se one uzmu u obzir. To je korisno, ali ima ozbiljna ograničenja.

Zato „i nakon kontrole drugih čimbenika” nije dokaz uzročnosti, nego znak da su neka alternativna objašnjenja djelomično isključena.

Slaganje više vrsta dokaza

Najčvršći uzročni zaključci bez pokusa ne oslanjaju se na jedan nacrt, nego na slaganje više njih: longitudinalnih podataka, prirodnih eksperimenata, usporedbi blizanaca ili braće i sestara te pokusa na srodnim, etički prihvatljivim pitanjima. Kada različite metode, svaka sa svojim slabostima, upućuju na isti zaključak, povjerenje opravdano raste.

4. Kako čitati uzročne tvrdnje u medijima

Između istraživanja i naslova postoji nekoliko koraka, a na svakome se tvrdnja može pojačati. Istraživanje priopćenja za javnost britanskih sveučilišta o zdravstvenim temama i vijesti napisanih na temelju njih pokazalo je da je otprilike trećina priopćenja sadržavala pretjeranu uzročnu tvrdnju, a slično velik udio i druge vrste pretjerivanja. Kada je pretjerivalo priopćenje, znatno su češće pretjerivale i vijesti, a pretjerivanje nije bilo jasno povezano s većim brojem objavljenih vijesti (Sumner i sur., 2014). Pretjerivanje dakle često nastaje već prije redakcije.

Kod naslova vrijedi obratiti pozornost na glagole:

Korisno je postaviti nekoliko pitanja:

Širi kontrolni popis za čitanje istraživanja nalazi se u lekciji [Kako čitati psihološka istraživanja?](/lekcija/kako-citati-psiholoska-istrazivanja)

Ne pretjerati ni u drugom smjeru

Rečenica „korelacija nije uzročnost” ne znači da korelacija ne govori ništa. Korelacije su često prvi znak da negdje postoji uzročna veza, a za mnoga pitanja i jedini dostupan podatak. Veza pušenja i raka pluća utvrđena je prije svega opažajnim podacima, a ne pokusima na ljudima. Zato je pogrešno i olako odbaciti svaki opažajni nalaz kao „samo korelaciju” – pravo je pitanje koliko su uvjerljivo isključena druga objašnjenja.

Što zapamtiti

Izvori i literatura