Association ay hindi dapat malito sa causality; kung ang X ay nagiging sanhi ng Y , ang dalawa ay nauugnay (depende). Gayunpaman, maaaring lumitaw ang mga ugnayan sa pagitan ng mga variable sa presensya (ibig sabihin, ang X ay sanhi ng Y) at kawalan (ibig sabihin, mayroon silang isang karaniwang dahilan) ng isang sanhi na relasyon, tulad ng nakita natin sa konteksto ng mga Bayesian network1.
Ano ang dahilan ng pagkakaugnay?
Lakas ng pagkakaugnay – Kung mas malakas ang kaugnayan, o magnitude ng panganib, sa pagitan ng isang kadahilanan ng panganib at kinalabasan, mas malamang na ang relasyon ay naisip na sanhi. Consistency – Ang parehong mga natuklasan ay naobserbahan sa iba't ibang populasyon, gamit ang iba't ibang disenyo ng pag-aaral at sa iba't ibang panahon.
Ano ang mga alituntunin sa paghuhusga kung ang isang asosasyon ay sanhi?
Ang pinakamahalaga sa mga alituntuning ito ay ang 'lakas' (ang isang malakas na kaugnayan ay mas malamang na sanhi kaysa mahina), 'pagkakatugma' (isang pagkakaugnay ay sinusunod sa iba't ibang pag-aaral, sa ilalim ng iba't ibang pagkakataon, oras at lugar), 'biological gradient' (ibig sabihin, dose-response – ang epekto ay dapat na mas malaki …
Maaari bang maging sanhi o hindi sanhi ang mga asosasyon?
Angkop ang
Ang salitang, 'nauugnay' dahil kabilang dito ang mga ugnayang sanhi at hindi sanhi. Gayunpaman, ang 'tumaas na panganib' ay malamang na ipakahulugan bilang isang 'sanhi' dahil kung pinapataas ng A ang panganib ng B, ang implikasyon ay ang A ay nagiging sanhi ng B.
Ano ang pinagkaiba ngisang associative at isang causal model?
Habang iniuugnay lang ng associative system ang stimulus A at B, kinakatawan ng propositional causal model ang kung paano nauugnay ang A at B sa isa't isa-halimbawa, bilang naunang sanhi at sumusunod na epekto (Pearl & Russell, 2001).
