Tương quan nghĩa là hai thứ có xu hướng thay đổi cùng nhau; nhân quả nghĩa là thay đổi thứ này làm thứ kia thay đổi theo. Hai thứ có thể đi cùng nhau rất đều đặn mà không thứ nào gây ra thứ nào: cả hai cùng do một yếu tố thứ ba, chiều nhân quả thật ra đảo ngược, cách chọn dữ liệu bị lệch, hoặc chỉ là trùng hợp.
Câu "tương quan không phải nhân quả" được nhắc nhiều đến mức thành khẩu hiệu, nhưng ít người dùng được nó khi đứng trước một con số cụ thể. Bài này đưa ra năm lời giải thích thay thế mà bạn có thể lần lượt thử với bất kỳ tương quan nào, kể vài ví dụ kinh điển, giải thích khoa học xác lập nhân quả bằng cách nào khi không làm thí nghiệm được, và cách hỏi AI để nó không kể cho bạn một câu chuyện nhân quả nghe hợp lý mà sai.
Tương quan là gì, nhân quả là gì
Hai đại lượng có tương quan dương khi một cái cao thì cái kia cũng có xu hướng cao: chiều cao và cân nặng của người trưởng thành là ví dụ quen thuộc. Tương quan âm là khi một cái cao thì cái kia có xu hướng thấp, như độ cao so với mực nước biển và nhiệt độ trung bình. "Có xu hướng" là chữ then chốt: có rất nhiều người cao mà nhẹ cân, nhưng tính chung cả nhóm thì xu hướng vẫn rõ.
Nhân quả là một khẳng định mạnh hơn hẳn. Nói A gây ra B là nói rằng nếu ta can thiệp thay đổi A, giữ mọi thứ khác như cũ, thì B sẽ thay đổi. Tương quan chỉ nói về những gì cùng xuất hiện trong dữ liệu đã có; nhân quả nói về điều sẽ xảy ra khi ta tác động. Một bên là chụp ảnh thế giới, một bên là đẩy thử thế giới xem nó phản ứng thế nào.
Nhân quả luôn tạo ra tương quan ở đâu đó, nhưng chiều ngược lại không đúng. Đó là lý do tương quan rất có giá trị như một manh mối: nó gợi ý nơi đáng tìm. Lỗi chỉ xuất hiện khi ta bỏ qua bước tìm và nhảy thẳng từ manh mối sang kết luận.
Năm lời giải thích khác cho một tương quan
Biến thứ ba gây ra cả hai. Đây là lời giải thích phổ biến nhất. Số kem bán ra và số vụ đuối nước cùng tăng vào mùa hè, không phải vì ăn kem làm người ta chết đuối, mà vì trời nóng khiến nhiều người vừa ăn kem vừa đi bơi. Nhiệt độ là biến gây nhiễu.
Nhân quả ngược chiều. Ví dụ giả định: khảo sát thấy người dùng nhiều thuốc giảm đau thì đau đầu nhiều hơn. Thuốc gây đau đầu ư? Có thể chiều ngược lại mới đúng: người hay đau đầu thì dùng nhiều thuốc hơn. Cũng có trường hợp hai chiều cùng tồn tại, nên càng cần nghiên cứu kỹ.
Dữ liệu được chọn lệch. Nếu chỉ khảo sát những người đến khám ở bệnh viện, bạn có thể thấy những tương quan không tồn tại ở dân số chung, vì việc phải nhập viện đã lọc người theo một cách đặc biệt.
Trùng hợp. Khi so sánh đủ nhiều cặp số liệu, gần như luôn có những cặp khớp nhau đẹp đẽ do may rủi. Trên mạng có cả những sưu tập tương quan ngớ ngẩn giữa các chuỗi số liệu chẳng liên quan gì đến nhau, khớp đến mức buồn cười.
Cùng tăng theo thời gian. Hai thứ cùng có xu hướng tăng qua các năm, như số điện thoại thông minh và số ca một bệnh mãn tính được chẩn đoán, sẽ tương quan với nhau dù không liên quan, đơn giản vì thời gian trôi qua thì nhiều thứ cùng tăng.
Sô-cô-la và giải Nobel: một ví dụ có thật
Năm 2012, một bài viết ngắn trên tạp chí y khoa New England Journal of Medicine chỉ ra rằng các nước tiêu thụ nhiều sô-cô-la trên đầu người cũng có nhiều người đoạt giải Nobel trên đầu người. Tương quan khá mạnh. Bài viết được trình bày nửa đùa nửa thật, và nhanh chóng trở thành ví dụ giảng dạy về chính lỗi mà nó có vẻ mắc phải.
Thử áp năm lời giải thích ở trên. Biến thứ ba: các nước giàu có cả điều kiện ăn sô-cô-la lẫn hệ thống đại học và nghiên cứu mạnh. Dữ liệu chọn lệch: số quốc gia trong phân tích không nhiều, và giải Nobel tập trung ở một số ít nước. Đơn vị phân tích: số liệu tính theo quốc gia, không theo từng người, nên kể cả khi tương quan là thật ở cấp nước, nó không nói gì về việc người đoạt giải có ăn sô-cô-la nhiều hơn người khác hay không.
Lỗi cuối cùng có tên riêng là ngụy biện sinh thái: suy từ xu hướng của nhóm ra đặc điểm của từng cá nhân. Nó xuất hiện thường xuyên trong tin tức, kiểu "tỉnh có nhiều quán cà phê thì người dân ngủ ít hơn", và bạn sẽ bắt gặp nó nhiều hơn khi đã biết tên.
Đọc hệ số tương quan: con số nói gì và không nói gì
Các nghiên cứu thường báo cáo hệ số tương quan, ký hiệu r, chạy từ âm một đến một. Bảng dưới là cách hiểu thô, chỉ để định hướng; ngưỡng mạnh hay yếu còn tuỳ lĩnh vực.
| Giá trị r (bỏ dấu) | Cách hiểu thô | Lưu ý |
|---|---|---|
| Gần 0 | Hầu như không có quan hệ tuyến tính | Vẫn có thể có quan hệ dạng cong mà r không bắt được |
| Khoảng 0,1 đến 0,3 | Quan hệ yếu | Nhìn từng người thì gần như không đoán được gì |
| Khoảng 0,3 đến 0,6 | Quan hệ vừa | Thường gặp trong nghiên cứu về con người và xã hội |
| Trên 0,7 | Quan hệ mạnh | Mạnh vẫn chưa phải nhân quả, như ví dụ sô-cô-la cho thấy |
Điều quan trọng nhất trong bảng là dòng cuối. Một tương quan rất mạnh có thể hoàn toàn do biến thứ ba, và một quan hệ nhân quả thật có thể chỉ tạo ra tương quan yếu khi có nhiều yếu tố khác cùng tác động. Độ lớn của r trả lời câu "hai thứ đi cùng nhau chặt đến đâu", không trả lời câu "cái nào gây ra cái nào".
Khoa học xác lập nhân quả bằng cách nào
Cách mạnh nhất là thí nghiệm chia ngẫu nhiên: chia đối tượng thành hai nhóm bằng may rủi, can thiệp vào một nhóm, rồi so sánh. Chia ngẫu nhiên khiến mọi biến thứ ba, kể cả những biến chưa ai nghĩ tới, được rải đều sang hai bên, nên khác biệt còn lại có lý do để quy cho can thiệp. Nhưng có rất nhiều câu hỏi không thể làm thí nghiệm, vì không ai được phép bắt một nhóm người hút thuốc hai mươi năm để xem điều gì xảy ra.
Mối liên hệ giữa hút thuốc và ung thư phổi được xác lập chủ yếu bằng nghiên cứu quan sát. Từ năm 1950, Richard Doll và Austin Bradford Hill ở Anh công bố các nghiên cứu cho thấy người mắc ung thư phổi hút thuốc nhiều hơn hẳn nhóm so sánh, và những nghiên cứu theo dõi lâu dài sau đó củng cố kết luận. Năm 1965, Bradford Hill đưa ra một bộ những điểm cần xem xét khi suy luận nhân quả từ dữ liệu quan sát.
Trong đó có: mối liên hệ mạnh đến đâu; có lặp lại ở nhiều nơi, nhiều nhóm nghiên cứu không; nguyên nhân có xảy ra trước kết quả không; liều càng cao thì tác động càng lớn không; có cơ chế hợp lý không; có khớp với hiểu biết khác không. Không điểm nào tự nó đủ, nhưng khi nhiều điểm cùng chỉ một hướng, kết luận nhân quả trở nên rất vững dù chưa từng có thí nghiệm trên người.
Kiểm một câu "X làm tăng Y" trong năm phút
Lần tới khi đọc một câu kiểu "người làm X có nguy cơ Y cao hơn", thử đi qua các bước này trước khi tin hoặc chia sẻ:
- Hỏi dữ liệu đến từ đâu: thí nghiệm chia ngẫu nhiên hay quan sát những người tự làm X?
- Nghĩ ra ít nhất một biến thứ ba có thể gây ra cả X lẫn Y, như tuổi, thu nhập, nơi sống, thói quen khác.
- Thử đảo chiều: có khả năng Y dẫn đến X không?
- Hỏi xem nhóm được nghiên cứu là ai, và họ có giống bạn không.
- Tìm xem kết quả đã được nghiên cứu khác lặp lại chưa, hay đây là nghiên cứu đầu tiên.
- Đổi cách nói trong đầu từ "X làm tăng Y" sang "X đi cùng Y", rồi xem câu chuyện còn hấp dẫn không.
Phần lớn các tin giật gân về sức khoẻ, giáo dục hay tiêu dùng không qua được bước thứ hai. Điều đó không có nghĩa nghiên cứu vô giá trị, mà nghĩa là cách đưa tin đã nói quá điều nghiên cứu thật sự cho thấy.
Khi hỏi AI một câu về nhân quả
Chatbot rất giỏi kể chuyện, và một câu chuyện nhân quả mạch lạc là thứ ngôn ngữ dễ tạo ra nhất. Nếu bạn hỏi "vì sao học sinh ăn sáng đầy đủ thì học giỏi hơn", nhiều khả năng bạn sẽ nhận một lời giải thích trơn tru về đường huyết và sự tập trung, mà không được nhắc rằng gia đình có điều kiện chuẩn bị bữa sáng đều đặn cũng có nhiều điều kiện khác hỗ trợ việc học.
Cách hỏi tốt hơn là tách hai bước. Trước hết: "Có những lời giải thích nào cho tương quan giữa ăn sáng và kết quả học tập, ngoài việc ăn sáng trực tiếp giúp học tốt hơn?" Sau đó: "Loại nghiên cứu nào có thể phân biệt các lời giải thích đó?" Câu hỏi thứ hai buộc câu trả lời quay về bằng chứng thay vì cơ chế nghe hợp lý. Rồi bạn tự đối chiếu những nghiên cứu mà AI nhắc tới, vì chatbot có thể bịa tên nghiên cứu.
Nếu bạn dán số liệu của chính mình, như điểm của học sinh trong lớp, hãy bỏ tên và mã định danh trước. Và nhớ rằng AI tính được hệ số tương quan rất nhanh, nhưng việc diễn giải con số đó thành nhân quả vẫn là việc của người hiểu bối cảnh dữ liệu.
Câu hỏi thường gặp
Biến gây nhiễu là gì?
Là một yếu tố ảnh hưởng đến cả thứ được coi là nguyên nhân lẫn thứ được coi là kết quả, khiến hai thứ đó trông như có quan hệ nhân quả. Nhiệt độ mùa hè là biến gây nhiễu trong tương quan giữa kem bán ra và số vụ đuối nước.
Không có tương quan thì có thể có nhân quả không?
Có thể, dù ít gặp. Hai tác động ngược nhau có thể triệt tiêu nhau trong dữ liệu, hoặc quan hệ có dạng cong mà hệ số tương quan tuyến tính không bắt được. Vì vậy không thấy tương quan cũng chưa đủ để kết luận chắc chắn là không có quan hệ.
Nghiên cứu quan sát có vô giá trị không?
Không. Rất nhiều hiểu biết quan trọng, như tác hại của thuốc lá, đến từ nghiên cứu quan sát được thiết kế cẩn thận và lặp lại nhiều lần. Chúng chỉ cần được đọc thận trọng hơn và thường cần nhiều nghiên cứu cùng hướng mới đủ mạnh.
Ngụy biện sinh thái là gì?
Là lỗi suy từ xu hướng của một nhóm, như một quốc gia hay một tỉnh, ra đặc điểm của từng cá nhân trong nhóm đó. Một tỉnh có thu nhập trung bình cao không có nghĩa là người bạn gặp ở tỉnh đó có thu nhập cao.
Tương quan có ý nghĩa thống kê có phải là tương quan mạnh không?
Không nhất thiết. Ý nghĩa thống kê chủ yếu cho biết khác biệt khó xảy ra chỉ do may rủi, và với mẫu rất lớn thì một tương quan rất yếu vẫn có thể đạt ý nghĩa thống kê. Cần xem cả độ lớn của tương quan lẫn bối cảnh để đánh giá.
Làm sao giải thích tương quan và nhân quả cho học sinh?
Ví dụ kem và đuối nước thường dễ hiểu nhất: hỏi học sinh có nên cấm bán kem để giảm đuối nước không, rồi để các em tự tìm ra nhiệt độ. Sau đó cho các em tự nghĩ thêm ví dụ trong lớp hay trong nhà, không chấm điểm câu trả lời.