Perché una relazione forte nei dati non dimostra un nesso causale?
Una forte regolarità nei dati non dimostra una causa, perché lo stesso andamento può emergere quando un terzo fattore influenza entrambi i valori, quando il rapporto di causa ed effetto è inverso o quando la corrispondenza è una coincidenza. Una correlazione misura quanto due fenomeni variano insieme; non dice nulla sul perché.
Considera un rivenditore fittizio di articoli per la casa con 30 negozi, Larkfield Home. La responsabile commerciale, Priya, sta esaminando il trimestre precedente. Otto negozi hanno organizzato dimostrazioni di pentole e utensili da cucina nel fine settimana e 22 no. I dati esportati sono questi: 'Negozi con dimostrazioni: vendite settimanali medie 41,200. Negozi senza dimostrazioni: 34,900. Differenza: +18%. Nota: dimostrazioni decise dai responsabili di zona. Dimostrazioni soprattutto da novembre a dicembre. Tra i negozi con dimostrazioni ci sono 5 dei nostri 6 punti vendita più grandi.' Un assistente di IA che ha riassunto il foglio ha scritto: 'Le dimostrazioni di pentole e utensili da cucina generano un aumento del 18% delle vendite settimanali. Estenderle a tutti i negozi dovrebbe aumentare i ricavi.' Il consiglio di amministrazione vuole approvare l'estensione lunedì.
| Gruppo di negozi | Negozi | Vendite settimanali medie | Siti più grandi inclusi | Mesi in cui si sono svolte le dimostrazioni |
|---|---|---|---|---|
| Negozi dimostrativi | 8 | 41,200 | 5 di 6 | Soprattutto novembre e dicembre |
| Negozi non dimostrativi | 22 | 34,900 | 1 di 6 | Nessuno |
Come si verifica se una correlazione indica un rapporto di causa ed effetto?
Verifica una correlazione escludendo una alla volta le tre spiegazioni alternative, poi, dove possibile, esegui un confronto a parità di condizioni in cui cambia solo la presunta causa. Ogni passaggio qui sotto è una domanda da porre ai dati prima che qualcuno spenda denaro.
1. Cerca un fattore confondente
Un fattore confondente è un terzo fattore che influisce su entrambi gli elementi del confronto. Nel caso di Larkfield, le dimensioni del negozio e la stagione sono possibili fattori confondenti: i negozi grandi vendono comunque di più, e novembre e dicembre sono mesi di vendite intense per gli utensili da cucina. Chiediti cos'altro cambia tra i due gruppi.
2. Controlla la direzione
La causalità inversa si verifica quando l'effetto è in realtà la causa di quella che si presume essere la causa. Se i responsabili di zona hanno fatto dimostrazioni nei negozi che stavano già andando bene, è stato l'aumento delle vendite a portare alle dimostrazioni, non il contrario. Chiedi come sono stati scelti i gruppi.
3. Considera il ruolo del caso
Con otto negozi e un solo trimestre, una differenza può emergere per caso, soprattutto se qualcuno ha esaminato molte promozioni e ha segnalato quella che spiccava. Chiedi quanti confronti sono stati fatti e se la tendenza si conferma in un altro periodo.
4. Confronta elementi omogenei
Confronta i negozi in cui si svolge la dimostrazione con negozi simili in cui non si svolge, nelle stesse settimane: grandi con grandi, piccoli con piccoli. Se gran parte della differenza scompare, erano i fattori confondenti a determinare il risultato.
5. Conduci un esperimento
La verifica più solida è un esperimento controllato: scegli negozi comparabili, assegna casualmente le dimostrazioni a metà di essi nelle stesse settimane e confronta i risultati. L'assegnazione casuale distribuisce in modo equilibrato le differenze di dimensioni, posizione e storico delle vendite, quindi è molto più probabile che un'eventuale differenza residua sia dovuta alla dimostrazione.
Come si presenta un'interpretazione debole dei dati di Larkfield rispetto a una migliorata?
L'interpretazione poco rigorosa accetta senza verifiche la sintesi dell'IA: 'Le dimostrazioni aumentano le vendite del 18%, quindi organizziamole ovunque.' Trasforma una differenza osservata tra due gruppi diversi per dimensioni, stagionalità e criteri di selezione in una promessa su ciò che accadrà in altri 22 negozi.
L'interpretazione migliorata dice: 'I negozi con dimostrazioni hanno venduto il 18% in più a settimana, ma erano perlopiù i nostri punti vendita più grandi, le dimostrazioni si sono svolte nei nostri due mesi di maggiore attività e i negozi sono stati scelti dai responsabili di zona. Confrontando i cinque grandi negozi con dimostrazioni con grandi negozi senza dimostrazioni nelle stesse settimane, lo scarto è di circa il 4%, entro la normale variazione da una settimana all'altra. Non possiamo ancora dire se le dimostrazioni siano utili. Proposta: una prova di sei settimane in 12 negozi di medie dimensioni comparabili, sei dei quali scelti a caso per svolgere dimostrazioni, misurando le vendite di pentolame e le ore di lavoro del personale.' Questa versione chiarisce al consiglio di amministrazione che cosa si sa, che cosa non si sa e come scoprirlo, al costo di un mese di ritardo.
In che modo i riepiloghi generati dall’IA possono trarti in inganno con le correlazioni?
I riepiloghi dell'IA sono fuorvianti soprattutto quando descrivono una correlazione con espressioni causali come 'determina', 'porta a', 'aumenta' o 'a causa di', facendo sembrare una relazione osservata un effetto dimostrato. Un modello linguistico scrive spiegazioni scorrevoli dei numeri; non sa come sono stati scelti i negozi, a meno che tu non glielo dica, e raramente dichiara spontaneamente di non poter distinguere una causa da una coincidenza.
Puoi ridurre questo problema fornendo all'assistente il contesto che gli manca (come sono stati selezionati i gruppi, le date, la dimensione del campione) e chiedendogli di separare ciò che i dati mostrano dalle possibili spiegazioni. Poi rileggi il risultato cercando i verbi che indicano un rapporto di causa ed effetto e sostituiscili con ciò che è stato effettivamente osservato, per esempio 'i negozi che hanno organizzato dimostrazioni hanno registrato anche vendite più alte'.
Come si verifica un’affermazione su un rapporto di causa ed effetto prima di agire in base a essa?
Verifica un'affermazione causale chiedendo come sono stati scelti i gruppi, se la causa ha preceduto l'effetto in entrambi i gruppi, se la differenza persiste in un altro periodo o con un campione più ampio e se la sintesi usa 'associato a' quando le prove mostrano soltanto una correlazione. Scrivi le risposte accanto all'affermazione prima che qualcuno approvi la spesa.
Quali sono gli errori più comuni riguardo a correlazione e causalità?
L'errore più comune è introdurre una modifica perché un pannello di controllo ha mostrato una differenza, senza chiedersi come siano stati formati i gruppi. Altri errori: considerare un coefficiente di correlazione elevato come una prova, riportare solo l'unica promozione su venti che sembrava aver funzionato, dimenticare la stagionalità e presumere che l'assenza di correlazione significhi assenza di effetto. Anche l'errore opposto costa: rifiutarsi di agire finché non si ha la certezza assoluta, quando un piccolo esperimento randomizzato di solito costa poco.
Dove si colloca questa lezione in Tosheo.ai?
Questa lezione fa parte della categoria Scienza e analisi dei dati e si trova all'inizio del corso di scienza dei dati, perché ogni argomento successivo, dai cruscotti all'apprendimento automatico, dipende dalla capacità di non scambiare uno schema per una causa. In Tosheo.ai l'attività pratica ti presenta un insieme di dati fittizi e una sintesi scritta dall'IA; il riscontro basato sulla griglia di valutazione evidenzia ogni affermazione causale che i dati non possono sostenere. Offre basi professionali, non è una laurea in statistica.
Fonti e ambito
Australian Bureau of Statistics: correlazione e causalità (verificato il 19 October 2026) ↗