دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور استراتژی و نوآوری

علّیت در مقابل همبستگی

 اهمیت روابط علی

هدف از مطالعه پویایی سیستم (“درک و بهبود دینامیک”) با پیش بینی کوتاه مدت (پیش بینی) مقادیر آینده متغیرها بسیار متفاوت است‌. مطالعه پویایی سیستم مستلزم آن است که مدل از روابط علی تشکیل شده باشد، نه همبستگی‌های آماری صرف‌. ایجاد پیش‌بینی‌های کوتاه‌مدت عالی توسط مدل‌های همبستگی غیر علّی امکان‌پذیر است، اما درک و کنترل مسائل پویا غیرممکن است‌. به عنوان مثال، فروش لباس شنا و فروش بستنی، همبستگی بسیار مثبتی دارند (هر دو در فصل بهار و تابستان افزایش می‌یابند)‌. اگر داده‌ای در مورد فروش لباس شنا (x) داشته باشیم، می‌توانیم یک مدل همبستگی y = f(x) بسازیم که پیش‌بینی عالی برای تقاضای بستنی ارائه می‌کند‌. برای این مسئله مدل فوق برای پیش‌بینی محدود، بسیار کاربردی است‌. از سوی دیگر، فرض کنید که یک شرکت پس از چندین سال رشد با کاهش مداوم در فروش بستنی مواجه است و هدف ما درک (و معکوس کردن) پویایی این مسئله است‌. در این مورد، مدل همبستگی y = f(x) هیچ فایده ای نخواهد داشت، زیرا این مدل هیچ سرنخی در مورد اینکه چه چیزی باعث پویایی (تغییر) فروش بستنی می‌شود، نمی دهد.

متغیر ورودی (فروش لباس شنا) به هیچ وجه تأثیر علّی بر فروش بستنی (y) ندارد‌. لذا ممکن است با کاهش فروش لباس شنا لزوماً میزان فروش بستنی کاهش نیابد و مطمئناً با بهبود فروش مایو (که به احتمال زیاد حتی بخشی از کسب و کار ما نیست) فروش بستنی ممکن است بهبود نیابد!

 به طور مشابه، می‌توان نشان داد که بارندگی و بروز سرطان پوست همبستگی منفی دارند‌. (در مناطق ابری، به دلیل کاهش تابش آفتاب، بارندگی افزایش می‌یابد و سرطان پوست کاهش می‌یابد)‌. اما بارندگی باعث کاهش ابتلا به سرطان پوست نمی شود‌. اگر این همبستگی منفی را با علیت منفی اشتباه بگیریم، ممکن است توصیه کنیم مردم باران بطری‌شده را تا سه بار در روز روی پوست خود بمالند!

رابطه علّی y = f(x) به این معنی است که متغیر ورودی (x) تأثیر علّی بر متغیر خروجی (y) دارد‌. جملاتی مانند “افزایش کالری دریافتی باعث افزایش وزن می‌شود” / “افزایش میزان مرگ و میر باعث کاهش جمعیت می‌شود” / “افزایش مصرف آفت کش‌ها باعث افزایش مرگ و میر پرندگان می‌شود” یا “افزایش قیمت باعث می‌شود تقاضا برای یک کالای خاص کاهش یابد”‌. همه روابط علت و معلولی ساده را منعکس می‌کنند‌. در هر یک از این مثال‌ها، اگر متغیر علت تغییر کند، انتظار می‌رود که در متغیر معلول «درجاتی از تغییر» رخ دهد‌. اصطلاح “انتظارات” در تعریف “علیت” در مدل سازی بازخورد سیستمی مهم است‌. اینکه آیا تغییر مورد انتظار واقعاً رخ می‌دهد یا اینکه چه نوع تغییری مشاهده می‌شود (در مدل یا در واقعیت) به بسیاری از عوامل دیگر بستگی دارد‌. هر رابطه علّی در یک مدل پویایی سیستم یک استدلال “با فرض ثابت ماندن سایر عوامل” همراه است: با “ثابت بودن سایر چیزها” انتظار می‌رود که علّیت، اثر بیان شده را ایجاد کند‌. از آنجایی که بسیاری از عوامل مختلف دیگر در یک مدل بازخوردی پویا (و در واقعیت) وجود دارد، شرایط با فرض ثابت ماندن سایر عوامل معمولاً برقرار نیست/نباید باشد‌. بنابراین، افزایش قیمت ممکن است در واقع منجر به کاهش تقاضا نشود، زیرا ممکن است افزایش قیمت کمتر از افزایش تورم باشد یا قیمت محصول رقیب حتی بیشتر شده باشد یا کیفیت محصول به طور همزمان بالا رفته باشد‌. بنابراین نماد X → Y می‌گوید: “در صورت ثابت بودن سایر عوامل، تغییر در X باعث تغییر در Y می‌شود.”

تعداد زیادی از تحقیقات علمی به دنبال سرنخ‌های علّی در مجموعه عظیمی از همبستگی‌ها هستند: آیا خوردن سبوس جو دوسر می‌تواند کلسترول را کاهش دهد و اگر این کار را انجام دهد، آیا خطر حمله قلبی کاهش می‌یابد؟ آیا رشد اقتصادی منجر به کاهش نرخ زاد و ولد می‌شود یا اینکه این نرخ کمتر به دلیل سواد، آموزش بیشتر زنان و افزایش هزینه‌های خانواده می‌باشد؟

همبستگی دلالت بر علیت ندارد، اما علیت همیشه دلالت بر همبستگی دارد.

آیا شرکت‌هایی که برنامه‌های جدی بهبود کیفیت دارند، بازدهی بالاتری برای سهامداران کسب می‌کنند؟

دانشمندان به تجربه آموخته اند که به سختی می‌توان پاسخ‌های قابل اعتمادی برای چنین سؤالاتی پیدا کرد‌. این کار نیازمند روش‌های علمی مانند آزمایش‌های کنترل شده ، کارآزمایی‌های تصادفی ؛ نمونه‌های بزرگ؛ مطالعات پیگیری طولانی مدت؛ تکرار؛ استنتاج آماری; و غیره است که در سیستم‌های اجتماعی و انسانی، چنین آزمایش‌هایی دشوار، نادر و اغلب غیرممکن است‌. شما باید مراقب باشید تا تعیین کنید که روابط در نمودارهای علی و حلقوی شما علّی هستند، مهم نیست که چقدر همبستگی قوی باشد.

از منظر فلسفی، علّیت مفهومی بسیار دشوار و قابل بحث است‌. در فلسفه هیچ اجماعی در مورد تعریف علّیت وجود ندارد‌. با این حال، مفهوم علّیت برای مدل‌سازی پویایی سیستم، مفهومی عملیاتی و عملی است: روابط علت و معلولی غیر مناقشه‌برانگیز، که به خوبی با تجربه مستقیم زندگی واقعی یا با شواهد علمی در ادبیات تطابق داشته و شواهد محکمی در مورد آن وجود داشته باشد‌. در اتخاذ این تعریف، ایده اصلی پرهیز از استفاده از همبستگی‌های آماری صرف به جای علّیت است‌. هنگامی که این موضوع درک شد، در این مفهوم عملیاتی و عملی، معمولاً هیچ اختلاف نظری در مورد اینکه چه چیزی «علّی» است و چه چیزی صرفاً «همبستگی» است، وجود ندارد‌.

تفاوت در چیست؟

همبستگی ارتباط بین انواع متغیرها را توصیف می‌کند : وقتی یک متغیر تغییر می‌کند، متغیر دیگر نیز تغییر می‌کند‌. همبستگی یک شاخص آماری از رابطه بین متغیرها است‌. این متغیرها با هم تغییر می‌کنند: آنها متغیر هستند‌. اما این تغییرات لزوماً به دلیل پیوند علی مستقیم یا غیرمستقیم نیست.

علیت به این معناست که تغییرات در یک متغیر باعث ایجاد تغییرات در متغیر دیگر می‌شود‌. بین متغیرها رابطه علت و معلولی وجود دارد‌. این دو متغیر با یکدیگر همبستگی دارند و همچنین رابطه علی بین آنها وجود دارد.

چرا همبستگی به معنای علیت نیست؟

دو دلیل اصلی وجود دارد که چرا همبستگی علیت نیست‌. شناسایی  و درک این مسئله برای نتیجه گیری علمی معتبر از تحقیقات مهم است.

مسئله متغیر سوم به این معنی است که یک متغیر مخدوش کننده بر هر دو متغیر تأثیر می‌گذارد تا آنها را به طور علّی مرتبط کند در حالی که با هم مرتبط نیستند‌. به عنوان مثال، میزان فروش بستنی و میزان جرم و جنایت خشونت آمیز ارتباط نزدیکی با یکدیگر دارند، اما ارتباط علّی با یکدیگر ندارند‌. در عوض، دمای گرم، متغیر سوم، هر دو متغیر را به طور جداگانه تحت تاثیر قرار می‌دهد‌. عدم در نظر گرفتن متغیرهای سوم می‌تواند باعث شود که سوگیری‌های تحقیقاتی به کار شما نفوذ کند.

مسئله جهت‌گیری زمانی رخ می‌دهد که دو متغیر با هم مرتبط هستند و ممکن است در واقع یک رابطه علی داشته باشند، اما نمی‌توان نتیجه‌گیری کرد که کدام متغیر باعث تغییر در دیگری می‌شود‌. به عنوان مثال، سطح ویتامین D با افسردگی مرتبط است، اما مشخص نیست که آیا ویتامین D کم باعث افسردگی می‌شود یا اینکه آیا افسردگی باعث کاهش مصرف ویتامین D می‌شود.

برای تمایز بین روابط همبستگی و علّی، باید از یک طرح تحقیقی مناسب استفاده کنید:

• طرح‌های تحقیقاتی همبستگی تنها می‌توانند پیوندهای همبستگی بین متغیرها را نشان دهند.
• طرح‌های تجربی می‌توانند علیت را آزمایش کنند.

همبستگی بین متغیرها منعکس کننده رفتار گذشته یک سیستم است، نه ساختار زیربنایی آن‌. اگر شرایط تغییر کند، اگر حلقه‌های بازخورد غیرفعال قبلی غالب شوند، یا اگر تصمیمات و سیاست‌های جدید را آزمایش کنید، ممکن است همبستگی‌های قابل اعتماد قبلی بین متغیرها از بین برود.

تحقیق همبستگی

در یک طرح تحقیق همبستگی، شما داده‌های مربوط به متغیرهای خود را بدون دستکاری در آنها جمع‌آوری می‌کنید.

مثال: تحقیق همبستگی شما داده‌های نظرسنجی را جمع آوری می‌کنید تا بررسی کنید که آیا بین سطح فعالیت بدنی و عزت نفس رابطه وجود دارد یا خیر‌. شما از شرکت کنندگان در مورد سطوح فعلی ورزششان می‌پرسید و عزت نفس آنها را با استفاده از فهرستی اندازه گیری می‌کنید.

متوجه می‌شوید که سطح فعالیت بدنی با عزت‌نفس همبستگی مثبت دارد: سطوح پایین‌تر فعالیت بدنی با عزت نفس پایین‌تر مرتبط است، در حالی که سطوح بالاتر فعالیت بدنی با عزت نفس بالاتر مرتبط است.

تحقیقات همبستگی معمولاً از اعتبار بیرونی بالایی برخوردار است ، بنابراین می‌توانید یافته‌های خود را به تنظیمات زندگی واقعی تعمیم دهید ‌. اما این مطالعات از اعتبار درونی پایینی برخوردار هستند ، که اتصال علی تغییرات در یک متغیر را به تغییرات در متغیر دیگر دشوار می‌کند.

مثال: تحقیق همبستگی برای بررسی اینکه آیا مصرف رسانه‌های خشونت آمیز با پرخاشگری مرتبط است یا خیر، داده‌هایی را در مورد استفاده از بازی‌های ویدیویی کودکان و تمایلات رفتاری آنها جمع آوری می‌کنید‌. شما از والدین می‌خواهید که تعداد ساعات هفتگی فرزندشان را برای بازی‌های ویدیویی خشونت‌آمیز گزارش کنند و از والدین و معلمان درباره رفتارهای کودکان نظرسنجی می‌کنید.

شما یک همبستگی مثبت بین متغیرها پیدا می‌کنید: کودکانی که زمان بیشتری را صرف بازی‌های ویدیویی خشونت آمیز می‌کنند، نرخ رفتار پرخاشگرانه بیشتری دارند.

مسئله متغیر سوم

بدون آزمایش‌های کنترل‌شده، نمی‌توان گفت که آیا این متغیری است که شما به آن علاقه دارید که باعث تغییرات در متغیر دیگری شده است یا خیر‌. متغیرهای خارجی هر متغیر سومی یا حذف شده غیر از متغیرهای مورد علاقه شما هستند که می‌توانند بر نتایج شما تأثیر بگذارند.

کنترل محدود در تحقیقات همبستگی به این معنی است که متغیرهای خارجی یا مخدوش کننده به عنوان توضیحات جایگزین برای نتایج عمل می‌کنند‌. متغیرهای مخدوش کننده می‌توانند به نظر برسد که یک رابطه همبستگی، علی است در حالی که اینطور نیست.

مثالی از یک متغیر مخدوش کننده

شما اطلاعات مربوط به آفتاب سوختگی و مصرف بستنی را جمع آوری می‌کنید‌. متوجه می‌شوید که مصرف بیشتر بستنی با احتمال آفتاب سوختگی بیشتر مرتبط است‌. یعنی مصرف بستنی باعث آفتاب سوختگی میشه؟

در اینجا، متغیر مخدوش کننده دما است: دمای گرم باعث می‌شود افراد هم بستنی بیشتری بخورند و هم زمان بیشتری را در خارج از منزل زیر نور خورشید بگذرانند و در نتیجه بیشتر دچار آفتاب سوختگی می‌شوند.

مثال: متغیرهای خارجی و مخدوش کننده در مطالعه شما در مورد بازی‌های ویدیویی خشونت‌آمیز و پرخاشگری، توجه والدین یک متغیر گیج‌کننده است که می‌تواند بر میزان استفاده کودکان از بازی‌های ویدیویی خشونت‌آمیز و تمایلات رفتاری آنها تأثیر بگذارد‌. توجه والدین با کیفیت پایین می‌تواند استفاده خشونت آمیز از بازی‌های ویدیویی و رفتارهای پرخاشگرانه را در کودکان افزایش دهد.

اما این چیزی نیست که شما برای آن کنترل کنید، بنابراین فقط می‌توانید یک نتیجه گیری از همبستگی بین متغیرهای اصلی خود بگیرید.

وقتی دو متغیر با هم مرتبط هستند، تنها چیزی که می‌توانید بگویید این است که تغییرات در یک متغیر در کنار تغییرات در متغیر دیگر رخ می‌دهد.

همبستگی‌های کاذب

ممکن است بین دو متغیر میزان سواد و درآمد یک همبستگی بالایی وجود داشته باشد. یک مدل آماری می تواند همبستگی هر دو متغیر را استخراج کند، اما ما یک همبستگی کاذب داریم. از آنجایی که مدل علل روابط بین داده‌ها را درک نمی‌کند، برای ما ضروری است که این سؤال را مطرح کنیم که چرا این روابط وجود دارد. و در اینجاست که علمی کم‌شناخته مانند استنتاج علّی متولد می‌شود، که به طور فزاینده‌ای در حال رشد است.

همبستگی کاذب زمانی اتفاق می‌افتد که دو متغیر از طریق متغیرهای سوم پنهان یا به طور تصادفی به هم مرتبط هستند.

مثال: شما متوجه می‌شوید که کارگران بیشتری در شهرهای با میانگین دستمزد بالاتر استخدام می‌شوند‌. آیا این بدان معناست که دستمزد بالاتر منجر به افزایش نرخ اشتغال می‌شود؟ خیر زیرا ممکن است در شهرهای بزرگ صنایع بزرگ مستقر باشند که هم میانگین دستمزد پرداختی بالاتر باشد و هم سطح اشتغال در این شهرها بیشتر باشد.

مثال: شما متوجه می‌شوید که وزن نوزادان مادرانی که در دوران بارداری خود سیگار می‌کشیدند به طور قابل توجهی کمتر از نوزادان مادران غیر سیگاری هستند‌. با این حال، اگر این واقعیت را در نظر نگیرید که سیگاری‌ها بیشتر درگیر سایر رفتارهای ناسالم هستند، مانند نوشیدن یا خوردن غذاهای سالم کمتر، ممکن است رابطه بین سیگار کشیدن و وزن کم هنگام تولد را بیش از حد برآورد کنید.

مثال: شواهد آماری یک همبستگی مثبت واضح بین جمعیت لک لک‌ها و نرخ زاد و ولد انسان‌ها طی دهه‌ها را نشان می‌دهد‌. با نوسانات جمعیت لک لک، تعداد نوزادان نیز تغییر می‌کند‌. این الگو را چگونه تحلیل می‌کنید؟

نظریه لک لک یک پیوند همبستگی ساده بین متغیرها را بیان می‌کند‌. این مطالعه طنزآمیز نشان می‌دهد که چرا نمی‌توانید به تنهایی از تحقیقات همبستگی نتیجه‌گیری کنید. در واقعیت، این همبستگی ممکن است با متغیرهای سوم (مانند الگوهای آب و هوا، تحولات زیست محیطی و غیره) توضیح داده شود که باعث افزایش جمعیت لک لک و انسان شده است، یا این پیوند ممکن است کاملاً تصادفی باشد.

هنگامی که همبستگی‌ها را در یک مجموعه داده بزرگ با متغیرهای زیادی تجزیه و تحلیل می‌کنید، شانس یافتن حداقل یک نتیجه آماری معنی دار زیاد است‌. در این حالت، احتمال خطای نوع I بیشتر است ‌. این به این معنی است که به اشتباه نتیجه گیری شود که یک همبستگی واقعی بین متغیرها در جامعه بر اساس داده‌های نمونه وجود دارد .

مسئله جهت یابی

برای نشان دادن علیت، باید یک رابطه جهت دار را بدون توضیح جایگزین نشان دهید‌. این رابطه می‌تواند یک طرفه باشد که یک متغیر بر دیگری تأثیر می‌گذارد یا دو طرفه باشد که هر دو متغیر بر یکدیگر تأثیر می‌گذارند.

یک طرح همبستگی نمی تواند بین هیچ یک از این احتمالات تمایز قائل شود، اما یک طرح آزمایشی می‌تواند هر جهت ممکن را در یک زمان آزمایش کند.

مثال: مسئله جهت گیری متغیرهای فعالیت بدنی و عزت نفس را می‌توان از سه طریق به صورت علّی مرتبط دانست:

• فعالیت بدنی ممکن است بر عزت نفس تأثیر بگذارد
• عزت نفس ممکن است بر فعالیت بدنی تأثیر بگذارد
• فعالیت بدنی و عزت نفس هر دو ممکن است بر یکدیگر تأثیر بگذارند

در تحقیقات همبستگی، جهت گیری یک رابطه نامشخص است زیرا کنترل محقق محدودی وجود دارد‌. ممکن است خطر نتیجه گیری علیت معکوس، جهت اشتباه رابطه را داشته باشید.

استنتاج علّی

استنتاج علی موضوعی جذاب و مفید در بسیاری از زمینه ها است. این فرآیند شناسایی و درک روابط علت و معلولی بین متغیرها است. در بسیاری از زمینه‌های تحقیقاتی، از جمله اپیدمیولوژی، اقتصاد، علوم سیاسی و روان‌شناسی، استنتاج علی برای درک تأثیرات مداخلات، سیاست‌ها، استراتژی‌ها یا برنامه‌ها حیاتی است. استنتاج علی همچنین به پیش بینی نتیجه تغییرات در متغیرها کمک می کند، که می تواند به ویژه در سیستم های دینامیکی و طراحی آزمایش ها و در تصمیم گیری مفید باشد.

استنتاج علی فرآیندی است که در آن علل از داده ها و هر نوع داده ای تا زمانی که به اندازه کافی وجود دارد استنباط می شود، بنابراین علیت در مورد مداخلات، در مورد انجام است. در حالی که آمار استاندارد در مورد همبستگی است، اما آنها می توانند به فرضیات اشتباه منجر شوند که به پیامدهای بسیار بدتری منجر می شود.

تحقیق علّی

تعریف کلاسیک علیت این است که X → Y (← به معنای پیوند علّی) اگر و تنها اگر مداخله یا دستکاری در X بر Y تأثیر بگذارد، که در آن X به عنوان محرک و Y به عنوان هدف شناخته می شود. اولین رویکرد برای اندازه گیری میزان ارتباط بین متغیرها، محاسبه همبستگی است. با این حال، همبستگی متقارن است و جهت گیری رابطه را در نظر نمی گیرد. در حالی که، علیت نامتقارن است و جهت گیری رابطه را بین متغیرها فراهم می کند.

چرا ما نیاز به ایجاد علیت داریم و فقط روی اندازه گیری شاخص های آماری تمرکز نمی کنیم؟ یکی از دلایل اصلی این است که علیت ما را قادر می‌سازد تا پویایی سیستم را پیش‌بینی کنیم و مشخص کنیم که کدام متغیرها می‌توانند برای دستیابی به خروجی مورد نظر از طریق یک مدل علی مداخله کنند.

چرا ایجاد علیت سخت است؟ هنگام تلاش برای ارزیابی علیت، باید اطمینان حاصل کنیم که هر متغیری که ممکن است در پویایی سیستم دخیل باشد باید در نظر گرفته شود تا از همبستگی های کاذب جلوگیری شود. در یک سناریوی دنیای واقعی، این شرایط به ندرت انجام می شود: ممکن است عوامل مخدوش کننده مشاهده نشده وجود داشته باشد (هنگام بررسی یک رابطه علّی و معلولی بالقوه، یک متغیر مخدوش کننده متغیر سومی است که هم بر علت و هم بر معلول تأثیر می گذارد). داده ها کمیاب هستند و متغیرهای کمی ممکن است به طور همزمان تغییر کنند و بر نتیجه ای که مشاهده می کنیم، مستقیم یا غیرمستقیم تأثیر بگذارند.

این فقدان کنترل بر پویایی سیستم، ادعای وجود یک رابطه علی را سخت‌تر می‌کند، که باعث می‌شود محققان به شدت به نظر متخصصان برای اطمینان بیشتر به یافته‌ها وابسته باشند.

پیوندهای علّی بین متغیرها را با مشاهده، تجارب عملی،‌ نظریات علمی، آزمایشات کنترل شده یا روش های ریاضی مانند یادگیری ماشین می‌توان به طور واقعی نشان داد‌. آزمایش‌ها پیش‌بینی‌های رسمی، به نام فرضیه‌ها را آزمون می‌کنند تا علیت را در یک جهت در یک زمان مشخص کنند.

آزمایش‌ها از اعتبار درونی بالایی برخوردار هستند، بنابراین روابط علت و معلولی را می‌توان با اطمینان نشان داد.

شما می‌توانید جهت را در یک جهت ایجاد کنید زیرا قبل از اندازه گیری تغییر در یک متغیر وابسته، یک متغیر مستقل را دستکاری می‌کنید.

مثال: تست جهت گیری در یک طرح آزمایشی-  شما معتقدید که سطح فعالیت بدنی بر عزت نفس تأثیر می‌گذارد، بنابراین این فرضیه را آزمایش می‌کنید‌. شما یک مداخله فعالیت بدنی را اعمال می‌کنید و تغییرات در عزت نفس را اندازه می‌گیرید‌. برای ایجاد جهت‌گیری، مداخله فعالیت بدنی شما باید قبل از هرگونه تغییر مشاهده شده در عزت نفس باشد.

برای آزمایش اینکه آیا این رابطه دو طرفه است، باید آزمایش جدیدی طراحی کنید که ارزیابی کند آیا عزت نفس می‌تواند بر سطح فعالیت بدنی تأثیر بگذارد یا خیر.

در یک آزمایش کنترل‌شده، می‌توانید با استفاده از تخصیص تصادفی و گروه‌های کنترل، تأثیر متغیرهای سوم را از بین ببرید.

تخصیص تصادفی کمک می‌کند تا ویژگی‌های شرکت کننده به طور مساوی بین گروه‌ها توزیع شود تا آنها مشابه و قابل مقایسه باشند‌. یک گروه کنترل به شما امکان می‌دهد دستکاری تجربی را با یک درمان مشابه یا بدون درمان (یا یک دارونما، برای کنترل اثر دارونما ) مقایسه کنید.

مثال: کنترل متغیرهای سوم در یک طرح آزمایشی شما به طور تصادفی هر شرکت کننده را در یک گروه کنترل یا یک گروه آزمایشی قرار می‌دهید‌. تخصیص تصادفی اثرات ویژگی‌های متغیر سوم شرکت کننده مانند سن یا وضعیت سلامت روان را که ممکن است بر نتایج شما تأثیر بگذارد، حذف می‌کند.

گروه کنترل یک مداخله غیرمرتبط و قابل مقایسه دریافت می‌کند، در حالی که گروه آزمایش مداخله فعالیت بدنی را دریافت می‌کند‌. با ثابت نگه داشتن همه متغیرها بین گروه‌ها، به جز درمان متغیر مستقل شما، هر گونه تفاوت بین گروه‌ها را می‌توان به مداخله شما نسبت داد.

تله علیت در مقابل همبستگی

افرادی که در کودکی مورد ضرب و شتم قرار گرفته اند، بیشتر احتمال دارد که فرزندان خود را کتک بزنند‌. بنابراین کتک خوردن در کودکی باعث می‌شود که وقتی کودک بزرگ شود  بچه‌های خودش را کتک بزند.

این تله تفکر یک مشکل فوق العاده گسترده است که هر روز در تصمیمات مدیران و حکمرانان و همچنین در گزارش‌های رسانه ای خود را نشان می‌دهد‌. A با B همبستگی دارد، بنابراین A باید باعث B شده باشد.

اگر بین A و B همبستگی وجود داشته باشد، چندین احتمال وجود دارد:

• A ممکن است باعث B شود.
• B ممکن است باعث A شود.
• عامل سوم C ممکن است باعث A و B شود.
• A و B ممکن است در نوعی رابطه تقویت کننده بر یکدیگر تأثیر بگذارند.
• ممکن است تصادفی باشد که A و B همبستگی دارند.
• ترکیبی از موارد فوق

برخی از آنها را می‌توان در موارد خاص رد کرد‌. کتک زدن فرزند شما نمی تواند دلیل کتک خوردن شما در کودکی باشد، بنابراین احتمال دوم (ب باعث الف) در این مثال قابل رد است.

احتمال سیگاری شدن کودکانی که والدین سیگاری دارند، بیشتر است‌. بنابراین، سیگار کشیدن باعث می‌شود فرزندان شما سیگاری شوند‌. این نوع روایت قابل قبول به نظر می‌رسد، و ما همیشه آن را می‌شنویم‌. برداشت این است که کودکان این رفتارها را از والدین خود یاد می‌گیرند‌. اگرچه شاید این منطق به نظر قابل قبول برسد، اما توضیح به همان اندازه قابل قبول دیگر این است که کودکان به طور ژنتیکی این تمایلات را از والدین خود به ارث می‌برند‌. توضیح ژنتیکی هم برای خشونت و هم سیگار، شواهد زیادی از تحقیقات را با خود همراه دارد.

طبقه اجتماعی- اقتصادی با همه چیزها مرتبط است، بنابراین شاید طبقه اجتماعی-اقتصادی علت همه آن چیزها باشد‌. یک مثال کلاسیک جنایت است‌. افراد فقیر بیشتر مرتکب جنایات می‌شوند، بنابراین علت برخی از جنایات فقر است‌. شاید، اما ممکن است چیز دیگری هم باعث جنایت و هم فقر شود‌. برخی دقیقاً برای همین استدلال می‌کنند، و به نظر می‌رسد که توضیح ترجیحی شما به سیاست شما بستگی دارد.

بچه‌هایی که والدینشان برایشان کتاب می‌خوانند در مدرسه بهتر عمل می‌کنند‌. بنابراین، خواندن کتاب برای فرزند به او کمک می‌کند تا در مدرسه بهتر عمل کند‌. شاید عامل سومی، مانند یک ویژگی ژنتیکی برای استعداد تحصیلی، باعث شود که هم در مدرسه بهتر عمل کند و هم تمایل بیشتری به خواندن برای فرزندانتان داشته باشید‌. این احتمال هم وجود دارد که والدین با استعداد تحصیلی و والدین تحصیل کرده بیشتر برای فرزندان خود کتاب بخوانند‌. آنها همچنین برخی از ژن‌های آکادمیک خود را به فرزندان خود دادند و این می‌تواند توضیح علتی برای آن باشد.

کودکان در برنامه‌های موسیقی و ریاضی بهتر عمل می‌کنند، بنابراین، شما باید فرزند خود را در برنامه‌های موسیقی ثبت نام کنید تا آنها در ریاضی بهتر عمل کنند‌. شاید، اما شاید همین ویژگی باعث شود که هم در موسیقی خوب باشد (و در نتیجه احتمال شرکت در آن بیشتر است) و هم در ریاضیات خوب باشد‌. بین حضور در یک ارکستر دبیرستان و آسیایی بودن همبستگی وجود دارد‌.  اما اگر می‌خواهید آسیایی شوید، آیا باید به ارکستر بپیوندید؟

بین فروش بستنی و حوادث غرق شدگی همبستگی وجود دارد‌. به احتمال زیاد هیچ کدام دلیل دیگری نیست‌. در عوض، عامل سوم احتمالاً هر دو را افزایش می‌دهد و آنهم فصل تابستان است.

این یکی از نمونه‌های مورد علاقه من است، زیرا بسیار مورد توجه قرار گرفت و از نظر علمی بسیار قابل قبول به نظر می‌رسید‌. ارتباطی بین خوابیدن کودکان خردسال با چراغ روشن در اتاق خواب و رشد نزدیک بینی کشف شد‌. به طور ضمنی گفته می‌شد که روشن کردن چراغ در اتاق کودک شما منجر به نزدیک بینی می‌شود‌. معلوم می‌شود که علت احتمالی این تأثیر این است که والدین نزدیک بین ژن‌های نزدیک بین خود را به فرزندانشان منتقل می‌کنند و همان والدین نیمه کور احتمالاً چراغ اتاق فرزندشان را روشن می‌گذارند تا خود والدین بهتر ببینند.

یک آزمایش به درستی کنترل شده می‌تواند علل احتمالی را روشن کند، اما بسیاری از آنچه در رسانه‌ها می‌شنوید نتیجه آزمایش‌های دقیق کنترل شده نیست‌. این نتیجه افرادی است که اغلب با یک دستور کار به دنبال همبستگی هستند‌. ما آزمایشات کنترل شده ای در مورد ضرب و شتم کودک و مصرف مواد مخدر در نوجوانان انجام نمی دهیم.

درس کلیدی در اینجا این است که به طور خودکار فرض نکنیم، زیرا رسانه‌ها گزارش می‌دهند که افرادی که A را انجام می‌دهند بیشتر احتمال دارد B را تجربه کنند، پس در واقع A باعث B می‌شود‌. همبستگی یک پیوند اتفاقی را نشان می‌دهد‌. این امر به ویژه در صورتی صادق است که به نظر چیزی باشد که به تازگی از داده‌ها یا بررسی‌ها بیرون آمده است و براساس آزمایش‌های طراحی شده مناسب لزوما نیست‌.

اما چگونه می‌توان کل سیستم را درک کرد و از مقاومت در برابر سیاست اجتناب کرد؟ چگونه می‌توانیم یاد بگیریم که از آن اجتناب کنیم، تا سیاست‌های اهرمی بالا را پیدا کنیم که بتواند منافع پایدار ایجاد کند؟

برای بسیاری، راه حل در تفکر سیستمی نهفته است – توانایی دیدن جهان به عنوان یک سیستم پیچیده، که در آن ما درک می‌کنیم که “شما نمی توانید فقط در یک کار یا حوزه مداخله کنید” و اینکه “همه چیز به هر چیز دیگری مرتبط است.” استدلال می‌شود که با یک جهان بینی کل نگر، ما می‌توانیم سریعتر و موثرتر یاد بگیریم، نقاط اهرمی بالا در سیستم‌ها را شناسایی کنیم و از مقاومت در برابر سیاست‌ها اجتناب کنیم. یک برنامه استراتژیک مبتنی بر چشم انداز سیستمی ما را قادر می‌سازد تا تصمیماتی مطابق با منافع بلندمدت خود و بهترین منافع بلندمدت سیستم به عنوان یک کل اتخاذ کنیم.

چالشی که همه ما با آن روبرو هستیم این است که چگونه شعارهای گذشته در مورد تسریع یادگیری و تفکر سیستمی را به ابزارهای مفیدی منتقل کنیم که به ما در درک پیچیدگی، طراحی سیاست‌های عملیاتی بهتر و هدایت تغییرات مؤثر کمک می‌کند. دینامیک سیستم روشی برای تقویت یادگیری در سیستم‌های پیچیده است. همانطور که یک شرکت هواپیمایی از شبیه‌سازهای پرواز برای کمک به یادگیری خلبانان استفاده می‌کند، دینامیک سیستم تا حدودی روشی برای توسعه شبیه‌سازهای پرواز مدیریتی (اغلب بر اساس مدل‌های ریاضی و شبیه‌سازی‌های کامپیوتری) است تا به ما در یادگیری پیچیدگی پویا، درک منابع مقاومت در برابر سیاست، و طراحی سیاست‌های موثرتر کمک کند.

با این حال، مداخله موفقیت آمیز در سیستم‌های پویا و پیچیده به بیش از ابزارهای فنی و مدل‌های ریاضی نیاز دارد. پویایی سیستم اساساً بین رشته‌ای است. از آنجا که ما با رفتار سیستم‌های پیچیده سروکار داریم، دینامیک سیستم مبتنی بر نظریه دینامیک غیرخطی و کنترل بازخورد توسعه یافته در ریاضیات، فیزیک و مهندسی است.

از آنجا که ما این ابزارها را برای رفتار انسان و همچنین سیستم‌های فنی به کار می‌بریم، پویایی سیستم از روانشناسی شناختی و اجتماعی، نظریه سازمان، اقتصاد و سایر علوم اجتماعی استفاده می‌کند. برای حل مسائل مهم دنیای واقعی، باید یاد بگیریم که چگونه با گروه‌هایی از سیاست‌گذاران پرمشغله کار کنیم و چگونه تغییرات را در سازمان‌ها تسریع کنیم.

در اینجا بحث می‌شود که مقاومت در مقابل سیاست از عدم تطابق بین پیچیدگی پویا سیستم‌هایی که ایجاد کرده ایم و ظرفیت شناختی ما برای درک آن پیچیدگی ناشی می‌شود.

مراجع:

Aurell, E., & Del Ferraro, G. (2016, March). Causal analysis, correlation-response, and dynamic cavity. In Journal of Physics: Conference Series (Vol. 699, No. 1, p. 012002). IOP Publishing.

Ding, Y., & Toulis, P. (2020, June). Dynamical systems theory for causal inference with application to synthetic control methods. In International Conference on Artificial Intelligence and Statistics (pp. 1888-1898). PMLR.

Cavaleri, S., & Sterman, J. D. (1997). Towards evaluation of systems‐thinking interventions: a case study. System Dynamics Review: The Journal of the System Dynamics Society, 13(2), 171-186.

Rahmandad, H., & Sterman, J. D. (2012). Reporting guidelines for simulation-based research in social sciences.

Shaker, F., Shahin, A., & Jahanyan, S. (2022). Investigating the causal relationships among failure modes, effects and causes: a system dynamics approach. International Journal of Quality & Reliability Management, 39(8), 1977-1995.

Sliva, A., Reilly, S. N., Casstevens, R., & Chamberlain, J. (2015). Tools for validating causal and predictive claims in social science models. Procedia Manufacturing, 3, 3925-3932.

Sterman, J. D. (2010). Does formal system dynamics training improve people’s understanding of accumulation?. System Dynamics Review, 26(4), 316-334.

Sugihara, G., May, R., Ye, H., Hsieh, C. H., Deyle, E., Fogarty, M., & Munch, S. (2012). Detecting causality in complex ecosystems. science, 338(6106), 496-500.