İki değişken korelasyonlu çıkıyor ama biri diğerini gerçekten etkiliyor mu? Nereden ‘bu sahte ilişki’ diyeceğim?

[Gül Yarkın]

Selam arkadaşlar, bir konuda takıldıım da danışmak istedim. Yarı zamanlı bir araştırma yapıyorum, eldeki bir veri setinde iki değişken arasında oldukça sağlam görünen bir korelasyon buldum (r yaklaşık 0.6, p de çok küçük geldi). İlk başta ‘vay be, güçlü ilişki’ dedim ama sonra içim acıldı çünkü literatüride ‘korelasyon nedenselik demek değildir’ lafını her yerdede okudum ve artık kafam karıştı.

Sorun şu ki, bu işi ya bir politika ya da bir tedavi kararı için kullanacaksam ve ‘A değişkenini değiştirirsem B iyileşir’ diye atlayacaksam, ortada ciddi bir risk var. Ama nereden bileceğim? Hangi durumda ‘bu rastlantı, üçüncü bir şey ikisini birden etkiliyor’ diye düşüneceğim? Dostlar, pratikte nasıl ayırt ediyorsunuz? Deneme yanılma mı yoksa belli başlı işaretler var mı?

[Araştırma: 🔬 Laboratuvar: AmScope 40X-1000X Trinoküler Biyolojik Mikroskop] • [Lokasyon: Isparta (32)]

[Ömer Kılıç]

Reis selamlar, bu çok yerinde yakaladığın bir tuzak, üstelik çoğu kişi buraya düşüp duruyor. Şöyle özetleyeyim, aklında bir kontrol listesi olsun.

Önce en basitinden başla: ortada mutlaka bir ‘üçüncü oyuncu’ (confounding / konfünyon) var mı diye bak. Mesela ‘Kahve içenlerin ölüm oranı yüksek’ korelasyonunu gören biri çıkıp ‘kahve ölüm getiriyor’ diyebilir; oysa gerçekte sigara içmek hem kahve içimini hem ölümü besliyor. Yani A ile B’nin arkasında gizli bir C var. Listeni çıkar, bilinen veya ölçemediğin bir karıştırıcı faktör gördüysünse ‘konfünyon riski yüksek’ diye içini çek, çünkü elindeki korelasyon büyük ihtimalle sahte.

Sonra yön meselesine takıl: A mı B’yi getiriyor yoksa B mi A’yı? Bazen ikisi de birbirini besler. Bunu çözmek için zaman sırası önemli – öncehangisi önce başladı? Dose-response ilişkisi var mı yani doz arttıkça tepki de düzgün artıyor mu? ‘Mikdar fazla, etki fazla’ deseni nedenselliğe daha çok yaklaştırır, rastlantıya pek uymaz.

Kırmızı bayrakları şöyle özetlerim, bunları görünce ‘dur, kararı ertele’ de:
– Sadece gözlemsel veri, müdahale eden rastgele bir grup yok;
– Mekanistik açıklama yok, ‘nasıl oluyor’ sorusuna cevap veremiyorsun;
– n küçük, istatistiksel güç düşük; p değeri tek başına her şeyi kanıtlamaz;
– Sadece bir çalışmadan ‘buldum’ diyorsun, meta-analiz veya tekrarlayan kanıt yok;
– Yayın tarafı (publication bias) şüphesi var, sadece ‘pozitif çıkan’ sonuçlara bakıyorsun.

Pratik çözüm için benden öneri: Mümkünse RCT (rastgele kontrollü deneme) altını düşünsün, altın standart odur. Mümkün değilse propensity score matching ile grupları dengiye getir, yoksa en azından multivaryatif modelle konfünyonları kontrol et. Ama ‘bunu yaparak tedavi/politika kararı vereceğim’ dediysen, önce uzman panelinden (istatisyen + konuyu bilen) onay al, tek başına ‘korelasyon = nedensellik’ atlamayla insanları zarara uğratma. Son olarak, bu tür analizleri önceden planla (preregistration) ki sonradan istediğin korelasyonu ‘buluyormuş’ gibi yapmayasan. Kolay gelsin, iyi çalışmalar.

[Yazar]

Yazılar