5.2 Tredjevariabler, kausalmodeller og spuriøse sammenhenger
De tre kanoniske grunnene til at korrelasjon ikke er kausalitet — retningsproblem, tredjevariabel, spuriøsitet — og kausalmodell-vokabularet (konfunder, mediator, moderator) som er eksplisitt A-markør. Modellene tegnes og case-tilpasses.
- Kjernedeloppgavene ligger i hele 20-sett-serien. Fra 2020 er «spuriøs sammenheng + tre hverdagseksempler» en fast del (V2020–V2025), og selve kausalmodell-leddet (tegn/forklar konfunder/mediator/moderator) dukket opp i V2019, V2022, V2023, V2024 og V2025.
- Å bruke begrepene konfunder, mediator, moderator uoppfordret og riktig er en eksplisitt A-markør.
Sensorregelen: modellene skal case-tilpasses, ikke bare defineres. Å skrive definisjonen av en mediator uten å anvende den på scenarioets faktiske variabler gir C-tak (oppramsing uten begrunnelse). Der figur er naturlig, forventer sensor at du tegner (beskriver) pil-diagrammet.
Sist du var her (oppfrisket):
- En korrelasjon () sier bare at X og Y følger hverandre — ikke hvorfor.
- Det finnes alltid minst tre forklaringer: X→Y, Y→X, eller en tredjevariabel som påvirker begge.
- Naturlig variasjon (målt, ikke manipulert) kan aldri utelukke disse — det er derfor korrelasjonen stopper ved samvariasjon.
Dette kapitlet gjør de tre forklaringene presise og gir deg vokabularet til å tegne dem.
Dette kapitlet gir deg tre presise grunner til at korrelasjon ikke er kausalitet, og et vokabular — konfunder, mediator, moderator — for å tegne akkurat hva som foregår. ~60 min.
Løkke 1 — De tre grunnene til at r ≠ kausalitet (~14 min)
En observert korrelasjon mellom X og Y kan alltid skyldes minst én av tre ting — og en korrelasjon alene kan ikke avgjøre hvilken:
1. Retningsproblemet: kausaliteten kan gå motsatt vei av det du antar. Kanskje det er Y som påvirker X, ikke X som påvirker Y.
2. Tredjevariabler: en bakenforliggende variabel påvirker både X og Y, slik at de samvarierer uten å påvirke hverandre.
3. Spuriøs (falsk) sammenheng: X og Y henger sammen i tallene, men det finnes ingen ekte, direkte forbindelse — samvariasjonen er tilfeldig eller helt drevet av en .
Å nevne alle tre (ikke bare «det kan være en tredjevariabel») er det som løfter svaret. De tre pil-diagrammene under viser hver av grunnene: retningsproblemet (usikker pilretning), tredjevariabelen/konfunderen ( peker på både X og Y), og den spuriøse sammenhengen (X og Y uten ekte kobling).
> Feilkode #3 (glosset her ved første bruk): den vanligste sensor-fellen i korrelasjonsoppgaven er «kausal tolkning av korrelasjon» — å lese samvariasjon som årsak. Dette kapitlet er hele vaksinen mot #3. Alle feilkodene samles i feilvaksinekapitlet i Del 8.
En studie finner en positiv korrelasjon mellom antall timer barn trener og hvor godt de gjør det på skolen.
a) Gi ett eksempel på retningsproblemet her.
b) Gi ett eksempel på en tredjevariabel her.
Løkke 2 — Konfunder: z → X og z → Y (~13 min)
En konfunder (bakenforliggende/konfunderende variabel) er en tredjevariabel som påvirker både X og Y — figuren under viser strukturen: én pil fra til X og én fra til Y. Da vil X og Y samvariere — men ikke fordi den ene påvirker den andre. Sammenhengen er (helt eller delvis) skapt av . Løsningen er å kontrollere for (holde den konstant, eller ta den inn i en multippel regresjon, kap. 5.4): forsvinner X–Y-sammenhengen når holdes fast, var den konfundert.
Eksempel: is-salg (X) og drukningsulykker (Y) korrelerer — men = varmt vær driver begge. Kontrollerer du for temperatur, forsvinner sammenhengen.
En spuriøs sammenheng er en korrelasjon mellom X og Y der det ikke finnes noen ekte, direkte forbindelse — samvariasjonen er tilsynelatende. Oftest er den drevet av en konfunder (is-salg/drukning via vær), men den kan også være ren tilfeldighet: leter du i store datamengder, finner du alltid noen variabler som korrelerer uten mening (f.eks. antall filmer en skuespiller er med i og et lands strømforbruk et gitt år).
Spuriøs sammenheng er konsekvensen av en konfunder eller tilfeldighet; konfunderen er forklaringen.
Fra og med 2020 ber eksamen ofte om «tre hverdagseksempler på spuriøse sammenhenger». Lag tre, og pek på tredjevariabelen (eller tilfeldigheten) i hver.
2. Antall livredningsvakter på stranda og antall drukningsulykker. De samvarierer positivt — men flere vakter forårsaker ikke flere drukninger. Konfunderen er badesesongen/varmt vær: fine dager gir både flere vakter på jobb og flere badende (og dermed flere ulykker).
3. Et rent tilfeldighetseksempel. I en stor database finner man at antall filmer en gitt skuespiller spiller inn per år samvarierer med årlig ostekonsum i et land. Her er det ingen felles årsak — bare en tilfeldig samvariasjon som dukker opp når man leter gjennom mange variabler samtidig.
Poenget: de to første forklares av en konfunder, den tredje av ren tilfeldighet. Å skille disse to typene spuriøsitet er et pluss-poeng.
En avis melder: «Barn som har flere bøker hjemme, får bedre karakterer.»
a) Tegn (beskriv) en konfundermodell for dette funnet med en konkret .
b) Forklar hvorfor sammenhengen kan være helt eller delvis spuriøs, og hvordan man kunne undersøkt det.
Løkke 3 — Mediator og moderator: samme z, ulik rolle (~16 min)
— naturlig pausepunkt før det finere skillet —
En mediator er en tredjevariabel som ligger mellom X og Y i årsakskjeden — den er mekanismen X virker gjennom. Figuren under viser den lineære kjeden . Her er sammenhengen X–Y ekte og kausal, men den går via . Eksempel: trening (X) → bedre søvn () → bedre humør (Y). Trening virker på humøret, men mekanismen er søvnen.
En mediator forklarer hvorfor X påvirker Y — den forklarer ikke bort sammenhengen (slik en konfunder gjør).
Eksempel: sammenhengen mellom lekselengde (X) og karakter (Y) kan være sterk for yngre elever men svak for eldre — da modererer alder () sammenhengen. Moderatoren skaper ikke sammenhengen (som en konfunder) og formidler den ikke (som en mediator); den justerer den.
Dette er nabobegrep-fellen quizbanken driller. Samme gir helt ulik konklusjon avhengig av rollen:
- Konfunder: påvirker både X og Y (, ). X–Y-sammenhengen er (delvis) falsk — du vil kontrollere den bort.
- Mediator: ligger mellom X og Y (). X–Y-sammenhengen er ekte — forklarer mekanismen, og du vil ikke kontrollere den bort (da forsvinner nettopp effekten du studerer).
Avgjørende spørsmål: kommer før X (da konfunder) eller etter X i tid/årsak (da mediator)?
Funn: «Ungdommer med strengere skjermregler hjemme har bedre karakterer.» La X = strenghet på skjermregler, Y = karakterer.
a) Tegn og case-tilpass en konfunder.
b) Tegn og case-tilpass en mediator.
c) Tegn og case-tilpass en moderator.
Løkke 4 — Rivaliserende hypoteser og retningsproblemet (~12 min)
En rivaliserende hypotese er en alternativ forklaring på et funn som ikke kan utelukkes med de foreliggende dataene. I naturlige (ikke-eksperimentelle) settinger er det alltid rivaliserende hypoteser — konfundere, motsatt retning, spuriøsitet — fordi ingen randomisering har jevnet dem ut. Å nevne konkrete rivaliserende hypoteser (ikke bare «det kan være andre forklaringer») og forklare hvorfor de ikke kan avvises, er et A-krav. En kausal slutning krever at man har utelukket de mest nærliggende rivaliserende hypotesene — noe bare et eksperiment (eller stigen i kap. 5.4) kan gjøre.
Kan retningsproblemet løses uten eksperiment?
Retningsproblemet (går X→Y eller Y→X?) kan ikke løses av en enkelt korrelasjon. Men longitudinelle data — der man måler X og Y på flere tidspunkter — hjelper delvis: hvis X måles før Y endrer seg, kan man i det minste utelukke at Y→X (tidsrekkefølge kreves for kausalitet). Det utelukker fortsatt ikke konfundere. Full kausal kontroll krever eksperiment; men longitudinelle design er et skritt opp stigen (bro til kap. 5.4).
En tverrsnittsstudie finner mellom bruk av sosiale medier (X) og ensomhet (Y) blant unge voksne.
a) Gi to rivaliserende hypoteser til «sosiale medier skaper ensomhet», og navngi hvilken kausalmodell hver svarer til.
b) Forklar hvorfor en tverrsnittskorrelasjon ikke kan skille mellom disse.
c) Foreslå ett design som ville brakt oss nærmere en kausal konklusjon, og si hva det løser.
Å blande mediator og konfunder. Den vanligste nabobegrep-forvekslingen. Konfunder (, ) gjør sammenhengen falsk — du kontrollerer den bort. Mediator () forklarer en ekte sammenheng — du kontrollerer den ikke bort. Test: kommer før eller etter X?
Å definere uten å case-tilpasse. Å skrive lærebokdefinisjonen av «moderator» uten å anvende den på scenarioets variabler gir C-tak (oppramsing uten begrunnelse). Tegn modellen på det konkrete caset.
Å nevne bare «en tredjevariabel». A-kravet er å nevne alle tre grunnene (retning, tredjevariabel, spuriøs) og gjerne skille modellene — ikke stoppe ved én.
Begrepsbank — kausalmodeller
Flashcard-/repetisjonsstoff — hopp trygt over ved førstegangslesing; tidsanslaget over gjelder kjernestoffet.
Kausaliteten bak en korrelasjon kan gå motsatt vei av det man antar (Y→X). En enkelt korrelasjon er symmetrisk og kan ikke fastslå hvilken variabel som påvirker den andre.
En variabel som påvirker X og/eller Y og dermed kan forklare en samvariasjon. Samlebegrepet for konfundere; den grunnleggende grunnen til at korrelasjon ikke er kausalitet.
En tredjevariabel som påvirker både X og Y og skaper en (delvis) falsk sammenheng mellom dem. Løsning: kontroller for z. Eksempel: is-salg og drukning via varmt vær.
En tredjevariabel som ligger mellom X og Y — mekanismen X virker gjennom. Sammenhengen er ekte; z forklarer hvordan. Skal ikke kontrolleres bort. Eks: trening → søvn → humør.
En tredjevariabel som gjør X→Y sterkere eller svakere for ulike grupper/betingelser. Svarer «for hvem / når gjelder sammenhengen». Justerer den — skaper og formidler den ikke. Eks: alder.
En tilsynelatende korrelasjon uten ekte, direkte forbindelse — drevet av en konfunder eller ren tilfeldighet. Fast eksamensledd fra 2020: gi tre hverdagseksempler.
Å holde en tredjevariabel konstant (eller ta den inn i multippel regresjon) for å se om X–Y-sammenhengen består. Forsvinner den, var den konfundert/spuriøs. Gjelder konfundere, ikke mediatorer.
En alternativ forklaring på et funn som dataene ikke kan utelukke. I naturlige settinger finnes de alltid (konfunder, motsatt retning). Å navngi konkrete rivaliserende hypoteser er et A-krav.
En spuriøs sammenheng uten noen felles årsak i det hele tatt — bare et tilfeldig samsvar som dukker opp når man leter gjennom mange variabler i store datamengder. Å skille denne fra konfunder-drevet spuriøsitet er et pluss-poeng.
Måling av variablene på flere tidspunkter. Fastslår tidsrekkefølge (X målt før Y utelukker Y→X) og er et skritt mot kausal kontroll uten eksperiment — men fjerner ikke konfundere. Bro til kap. 5.4.
For at X skal kunne forårsake Y, må X komme før Y i tid. En tverrsnittskorrelasjon måler begge samtidig og oppfyller ikke dette kravet; longitudinelle data kan gjøre det.
Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.
Skolesaga er en uavhengig læringsressurs og er ikke tilknyttet eller godkjent av Universitetet i Oslo. Dette er ikke offisielt studiemateriell. Innholdet er læringsstoff, ikke helse- eller medisinske råd. Les mer.