5.4 Randsonen — andre koeffisienter og kausal kontroll i korrelasjonsdata
Korrelasjonsfamiliens spesialverktøy — Spearman, punkt-biserial, phi og kurvlineære sammenhenger — valgt etter målenivå, og stigen mot bedre kausal kontroll uten eksperiment (longitudinelle design, statistisk kontroll og dens grenser).
- Andre korrelasjonskoeffisienter (Spearman, punkt-biserial, phi) og kurvlineær korrelasjon: 5 sett (H2012, H2013, V2017, V2018u, V2022). Prioritet: kjenne — du skal kunne velge riktig koeffisient etter målenivå, ikke regne den.
- Kausal kontroll i korrelasjonsdata (V2024s «tenk selv»-ledd): hvordan komme nærmere kausalitet uten eksperiment. Prioritet: kunne — dette er stigende.
Sensorregelen: for koeffisientene teller begrunnelsen (målenivåene på de to variablene), ikke navnet alene. For kausal kontroll teller at du kjenner stigen og dens grenser: statistisk kontroll kan bare fjerne målte tredjevariabler.
Sist du var her (oppfrisket):
- Pearsons forutsetter lineær sammenheng og intervall/forhold-data på begge variabler.
- En konfunder (, ) kan gjøre en sammenheng spuriøs; å kontrollere for tester dette.
- Målenivået bestemmer hvilke statistiske mål som er meningsfulle (fra 1.2).
Her utvider vi verktøykassen når Pearsons forutsetninger ikke holder, og går opp stigen mot bedre kausal kontroll.
Dette er et kompakt «bør kjenne til»-kapittel. ~40 min. Vi tar først koeffisientfamilien, så kurvlineær-fellen, og til slutt stigen mot kausal kontroll.
Løkke 1 — Koeffisientfamilien: valg etter målenivå (~14 min)
Du velger koeffisient etter målenivåene på de to variablene (kobling til kap. 1.2) — ikke etter hva som «føles riktig». To intervall/forhold → Pearson; to ordinale → Spearman; én dikotom + én kontinuerlig → punkt-biserial; to dikotome → phi. På eksamen honoreres begrunnelsen (hvilke målenivåer variablene har), ikke bare navnet.
Velg riktig korrelasjonskoeffisient og begrunn med målenivåene:
a) Sammenhengen mellom deltakernes rangerte trivsel (1.–20. plass) og rangerte innsats.
b) Sammenhengen mellom kjønn (mann/kvinne) og en kontinuerlig reaksjonstidsskåre.
Løkke 2 — Kurvlineær-fellen: når r ≈ 0 lyver (~10 min)
En kurvlineær sammenheng er buet, ikke rettlinjet. Det klassiske eksemplet er aktivering og prestasjon: for lite aktivering gir svak prestasjon, passe aktivering gir best, og for mye aktivering gir svak igjen — en omvendt U.
Problemet: Pearsons fanger bare lineære sammenhenger. For en symmetrisk omvendt U kan bli nær 0 — selv om sammenhengen er sterk. Da vil et lavt lyve: det ser ut som «ingen sammenheng», men det er bare ingen lineær sammenheng. Motgiften er å alltid se på et spredningsdiagram før man stoler på .
Et forskerteam måler mellom stressnivå og eksamensprestasjon og konkluderer: «Det er ingen sammenheng mellom stress og prestasjon.»
a) Hvorfor kan konklusjonen være feil?
b) Hva burde de sjekket, og hvilken sammenhengsform mistenker du?
Løkke 3 — Stigen mot kausal kontroll uten eksperiment (~14 min)
— naturlig pausepunkt før V2024-stoffet —
Den avgjørende begrensningen: statistisk kontroll kan bare fjerne målte tredjevariabler. Umålte eller ukjente konfundere består. Det er dette som skiller statistisk kontroll fra eksperimentell kontroll: randomisering (kap. 2.1) jevner ut alle tredjevariabler — også de man ikke tenkte på — mens statistisk kontroll bare håndterer dem man har målt.
Når et ekte eksperiment ikke er mulig (etisk eller praktisk), finnes en stige av design som gir gradvis bedre kausal kontroll i ikke-eksperimentelle data:
1. Enkel korrelasjon — svakest: bare samvariasjon.
2. Longitudinelt design — måler X før Y, fastslår tidsrekkefølge (utelukker Y→X).
3. Multippel regresjon med kontrollvariabler — kontrollerer statistisk for målte tredjevariabler.
4. Gruppesammenligninger / matching — sammenligner grupper som ligner på kjente konfundere.
5. RCT (ekte eksperiment) — sterkest, men ofte etisk/praktisk umulig for det man vil studere.
Hvert trinn opp utelukker flere rivaliserende hypoteser, men bare RCT-en utelukker alle.
Figuren under tegner stigen som en trapp: hvert trinn opp gir bedre kausal kontroll, fra enkel korrelasjon nederst til RCT øverst.
Forskere finner en korrelasjon mellom å vokse opp med mange bøker hjemme (X) og senere utdanningsnivå (Y). De kan ikke randomisere barn til «bøker/ingen bøker».
a) Hvorfor kan de ikke bruke et ekte eksperiment her?
b) Beskriv to trinn opp stigen de kan bruke i stedet, og hva hvert trinn løser.
c) Hva kan statistisk kontroll ikke fjerne, og hvorfor er det viktig å si?
Å tro betyr «ingen sammenheng». Et lavt utelukker bare en lineær sammenheng — en sterk kurvlineær (omvendt U) sammenheng gir også . Sjekk spredningsdiagrammet.
Å behandle statistisk kontroll som eksperimentell kontroll. Multippel regresjon fjerner bare målte tredjevariabler; randomisering fjerner alle. Å skrive at «vi kontrollerte statistisk, altså er sammenhengen kausal» overselger — umålte konfundere består.
Feil #3 igjen (feilkode #3 = kausal tolkning av korrelasjon, se kap. 5.2). Selv øverst på stigen (uten RCT) forblir konklusjonen forbeholden: kausal tolkning av ikke-eksperimentelle data krever eksplisitte forbehold.
Begrepsbank — koeffisienter og kontroll
Flashcard-/repetisjonsstoff — hopp trygt over ved førstegangslesing; tidsanslaget over gjelder kjernestoffet.
Pearsons forutsetter intervall/forhold-data på begge variabler og en lineær sammenheng. Bryter forutsetningene, trengs en annen koeffisient (Spearman, punkt-biserial, phi).
Rangkorrelasjonen: Pearson regnet på rangtall. Brukes for ordinaldata (rangeringer, plasseringer) eller monotone, ikke-rettlinjede sammenhenger. Tolkes som ( til ).
Korrelasjon mellom én dikotom (to kategorier) og én kontinuerlig variabel. Måler hvor mye den kontinuerlige skiller seg mellom de to kategoriene. Eks: kjønn × testskåre.
Korrelasjon mellom to dikotome variabler (2×2-tabell). Eks: røyker/ikke-røyker × bestått/strøk. Brukes når begge variabler er ja/nei-aktige.
Koeffisienten velges etter de to variablenes målenivå: to intervall/forhold → Pearson; to ordinale → Spearman; dikotom + kontinuerlig → punkt-biserial; to dikotome → phi. Begrunnelsen (målenivåene) gir uttelling.
Buet (ikke-lineær) sammenheng, f.eks. omvendt U (aktivering–prestasjon). Pearsons fanger den ikke og kan gi selv om sammenhengen er sterk. Sjekk spredningsdiagram.
Måling på flere tidspunkter. Fastslår tidsrekkefølge (X før Y utelukker Y→X) og er trinn 2 opp stigen mot kausal kontroll — men fjerner ikke umålte konfundere.
Å ta en mulig tredjevariabel inn i en multippel regresjon og se om X–Y-sammenhengen består når holdes konstant. Fjerner bare målte konfundere — ikke umålte/ukjente.
Randomisering (eksperiment) jevner ut alle tredjevariabler, også de umålte. Statistisk kontroll håndterer bare de man har målt. Dette er hvorfor bare eksperimentet gir full kausal kontroll.
En regresjon med flere prediktorer samtidig. Lar oss vurdere X→Y mens andre målte variabler holdes konstant — grunnlaget for statistisk kontroll av tredjevariabler.
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.