Verilerinizdeki güçlü bir örüntü neden bir nedenin varlığını kanıtlamaz?
Güçlü bir örüntü, bir nedeni kanıtlamaz. Aynı örüntü, üçüncü bir etken her iki sayıyı da etkilediğinde, neden-sonuç ilişkisi ters yönde işlediğinde veya eşleşme tesadüf olduğunda da ortaya çıkabilir. Korelasyon, iki şeyin ne kadar birlikte değiştiğini ölçer; bunun nedenine dair hiçbir şey söylemez.
Larkfield Home adlı, 30 mağazalı kurgusal bir ev eşyaları perakendecisini ele alın. Ticari faaliyetler yöneticisi Priya geçen çeyreği inceliyor. Sekiz mağazada hafta sonları pişirme gereçleri tanıtımları yapıldı, 22 mağazada yapılmadı. Dışa aktardığı veriler şöyle: 'Tanıtım yapılan mağazalar: haftalık ortalama satış 41,200. Tanıtım yapılmayan mağazalar: 34,900. Fark: +18%. Not: tanıtım yapılacak mağazaları bölge yöneticileri seçti. Tanıtımlar çoğunlukla kasım ile aralık arasındaydı. Tanıtım yapılan mağazalar arasında en büyük 6 mağazamızın 5 tanesi var.' Tabloyu özetleyen bir yapay zeka asistanı şunu yazdı: 'Pişirme gereçleri tanıtımları haftalık satışları 18% artırıyor. Bunların tüm mağazalarda uygulanması geliri artıracaktır.' Yönetim kurulu pazartesi günü tüm mağazalarda uygulamayı onaylamak istiyor.
| Mağaza grubu | Mağazalar | Ortalama haftalık satışlar | En büyük siteler dahil | Demoların yapıldığı aylar |
|---|---|---|---|---|
| Demo mağazalar | 8 | 41,200 | 6 öğeden 5'i | Çoğunlukla Kasım ve Aralık |
| Demo olmayan mağazalar | 22 | 34,900 | 1 / 6 | Hiçbiri |
Bir korelasyonun nedensel olup olmadığı nasıl test edilir?
Üç alternatif açıklamayı teker teker eleyerek bir korelasyonu sınayın. Ardından, mümkünse yalnızca neden olduğundan şüphelenilen etkenin farklı olduğu adil bir karşılaştırma yapın. Aşağıdaki her adım, herhangi bir harcama yapılmadan önce verilere yönelteceğiniz bir sorudur.
1. Karıştırıcı bir değişken arayın
Karıştırıcı etken, karşılaştırdığınız iki şeyi de etkileyen üçüncü bir etkendir. Larkfield için mağaza büyüklüğü ve mevsim olası etkenlerdir: büyük mağazalar zaten daha çok satış yapar; Kasım ve Aralık ise pişirme gereçleri satışlarının yoğun olduğu aylardır. İki grup arasında başka hangi farklar olduğunu sorun.
2. Yönü kontrol edin
Ters nedensellik, sonuç olduğu düşünülen şeyin aslında varsayılan nedeni doğurmasıdır. Bölge müdürleri zaten iyi satış yapan mağazalara tanıtım yaptıysa, tanıtımlar satış artışına değil, satış artışı tanıtımlara yol açmıştır. Grupların nasıl seçildiğini sorun.
3. Şans faktörünü hesaba katın
Sekiz mağaza ve bir çeyreklik veriyle, özellikle de biri birçok promosyonu inceleyip yalnızca öne çıkanı raporladıysa, tesadüfen bir fark ortaya çıkabilir. Kaç karşılaştırma yapıldığını ve örüntünün başka bir dönemde de görülüp görülmediğini sorun.
4. Benzer olanları karşılaştırın
Demo yapılan mağazaları, aynı haftalarda demo yapılmayan benzer mağazalarla karşılaştırın: büyükleri büyüklerle, küçükleri küçüklerle. Farkın büyük kısmı ortadan kalkıyorsa sonucu belirleyen karıştırıcı değişkenlerdir.
5. Bir deney yapın
En güçlü sınama kontrollü bir denemedir: karşılaştırılabilir mağazalar seçin, aynı haftalarda mağazaların rastgele seçilen yarısında demolar yapın ve sonuçları karşılaştırın. Rastgele atama, büyüklük, konum ve geçmiş satış performansını dengeli dağıtır; böylece geriye kalan farkın demodan kaynaklanma olasılığı çok daha yüksek olur.
Larkfield verilerinin yetersiz ve iyileştirilmiş bir yorumu nasıl olur?
Zayıf yorum, yapay zeka özetini sorgulamadan kabul eder: 'Demolar satışları 18% artırıyor, o yüzden her yerde yapın.' Büyüklük, sezon ve seçilme biçimi açısından farklı iki grup arasında gözlenen farkı, diğer 22 mağazada ne olacağına dair bir vaade dönüştürür.
İyileştirilmiş yorum şöyledir: 'Tanıtım yapılan mağazalarda haftalık satışlar %18 daha yüksekti; ancak bunlar çoğunlukla en büyük mağazalarımızdı, tanıtımlar en yoğun iki ayımızda yapıldı ve mağazaları bölge yöneticileri seçti. Tanıtım yapılan beş büyük mağazayı aynı haftalarda tanıtım yapılmayan büyük mağazalarla karşılaştırdığımızda fark yaklaşık %4; bu da haftadan haftaya görülen normal değişim aralığında. Tanıtımların işe yarayıp yaramadığını henüz söyleyemiyoruz. Öneri: birbirine benzer 12 orta büyüklükte mağazada altı haftalık bir deneme yapalım; rastgele seçilen altısında tanıtım düzenleyip pişirme gereçleri satışlarını ve personelin çalışma saatlerini ölçelim.' Bu sürüm, bir aylık gecikme pahasına, yönetim kuruluna nelerin bilindiğini, nelerin bilinmediğini ve bunların nasıl öğrenileceğini anlatır.
Yapay zeka özetleri korelasyonlarla sizi nasıl yanıltabilir?
Yapay zeka özetleri en sık, bir korelasyonu 'artırır', 'yol açar', 'yükseltir' veya 'nedeniyle' gibi nedensellik bildiren ifadelerle anlatarak yanıltır. Böylece bir örüntü, kanıtlanmış bir etki gibi görünür. Bir dil modeli, rakamlar hakkında akıcı açıklamalar yazar; siz söylemedikçe mağazaların nasıl seçildiğini bilmez ve nedeni tesadüften ayıramadığını da nadiren kendiliğinden belirtir.
Asistana eksik bağlamı vererek (grupların nasıl seçildiği, tarihler, örneklem büyüklüğü) ve verilerin gösterdikleriyle olası açıklamaları birbirinden ayırmasını isteyerek bunu azaltabilirsin. Ardından çıktıda nedensellik belirten fiilleri ara ve her birini gerçekten gözlemlenen durumu anlatan ifadelerle değiştir; örneğin 'tanıtım gösterimleri yapan mağazaların satışları da daha yüksekti'.
Nedensellik iddiasını, ona dayanarak harekete geçmeden önce nasıl kontrol edersiniz?
Nedensellik iddiasını kontrol etmek için grupların nasıl seçildiğini, her iki grupta da nedenin sonuçtan önce gelip gelmediğini, farkın başka bir dönemde veya daha büyük bir örneklemde korunup korunmadığını ve kanıtlar yalnızca bir korelasyon gösteriyorsa özette 'ilişkilidir' ifadesinin kullanılıp kullanılmadığını sorun. Herhangi biri harcamayı onaylamadan önce yanıtları iddianın yanına yazın.
Korelasyon ve nedensellik konusunda sık yapılan hatalar nelerdir?
En yaygın hata, grupların nasıl oluşturulduğunu sormadan, bir gösterge paneli aralarında fark gösterdiği için değişikliği uygulamaya almaktır. Diğer hatalar: yüksek korelasyon katsayısını kanıt saymak, yirmi promosyon arasından iyi görünen tek birini raporlamak, mevsimselliği unutmak ve korelasyon olmamasının etki de olmadığı anlamına geldiğini varsaymak. Tersi hata da maliyetlidir: küçük bir rastgele kontrollü deneme genellikle düşük maliyetliyken, tam kesinlik sağlanana kadar harekete geçmemek.
Bu dersin Tosheo.ai içindeki yeri nedir?
Bu ders, veri bilimi ve analitiği kategorisindedir ve veri bilimi kursunun başlarında yer alır; çünkü gösterge panolarından makine öğrenmesine kadar sonraki tüm konular, bir örüntüyü neden sanmamaya dayanır. Tosheo.ai'daki uygulamalı görevde size kurgusal bir veri kümesi ve yapay zeka tarafından yazılmış bir özet verilir. Puanlama kılavuzuna dayalı geri bildirim, verilerin destekleyemediği her nedensellik iddiasını gösterir. Mesleki bir temel sağlar; istatistik diploması veren bir program değildir.
Kaynaklar ve kapsam
Avustralya İstatistik Bürosu: korelasyon ve nedensellik (kontrol tarihi: 19 October 2026) ↗