Factori de confuzie în interpretarea datelor în știința datelor

Permiteți-mi să vorbesc în special despre două dintre elementele din tabelul din Figura 10.1. Al treilea din listă, cauzalitatea externă, este un caz în care intră în joc o a treia variabilă (să o numim C). Ne referim la aceasta ca la un factor de confuzie (sau variabilă de confuzie) deoarece produce „confuzie”: ne face să interpretăm sensul din spatele datelor într-un mod incorect. Exemplul din tabel este unul faimos și amuzant: în mod clar, rechinii nu reacționează la profiturile nete zilnice de la Ben & Jerry’s, iar oamenii (probabil) nu aleargă afară să cumpere înghețată pentru a face față anxietății legate de atacurile de rechini. Nici A ^ B, nici B ^ A, ci o a treia variabilă – zilele caniculare – nu le influențează pe amândouă.

 

Simbol	Nume	Exemplu
A → B	cauzalitate	Exercițiile fizice regulate duc, în mod normal, la o frecvență cardiacă mai scăzută în repaus.
B → A	cauzalitate inversă	Fumatul nu provoacă depresie; depresia determină fumatul.
C → A, B	cauzalitate externă (factor de confuzie)	Vânzările de înghețată nu provoacă atacuri de rechin; temperaturile ridicate stimulează atât vânzările de înghețată, cât și înotul în ocean.
A → B & C → B	cauzalitate multiplă	O educație de arte liberale îmbunătățește abilitățile de gândire critică, dar multe alte lucruri o fac și ele.
A, C → B	cauzalitate comună	Doar a fi înalt nu te face neapărat un bun jucător de baschet, dar dacă înălțimea ta este însoțită și de un alt factor (atletism), atunci vei fi un bun jucător.
A → C → B	cauzalitate indirectă	Oamenii care folosesc antiperspirant tind să primească mai multe întâlniri, dar nu din cauza antiperspirantului în sine;ci pentru că nu au un miros neplăcut.
A non→ B	asociere falsă	Deși timp de mulți ani rezultatul meciului de fotbal de la Washington, imediat premergător alegerilor prezidențiale, a prezis rezultatul alegerilor, aceasta a fost o coincidență.

Figura 10.1: Diferite tipuri de cauzalitate care ar putea fi motivul de bază pentru care există o asociere între A și B.

Acum, desigur, nu este întotdeauna atât de evident. Iată un exemplu pe care l-am întâlnit recent. Un articol de revistă a relatat o nouă alarmă legată de sănătate: oamenii de știință au descoperit că mâncatul la grătar poate crește riscul de cancer. Pictorial, această afirmație este ilustrată în diagrama cauzală din Figura 10.2 (treceți la pagina 94), care arată volumul nostru intravenos și volumul nostru zilnic; săgeata înseamnă exact ceea ce a însemnat anterior.

Spre deosebire de rechini și înghețată, aceasta pare plauzibilă. Și nu pretind că am citit suficient despre studiul lor pentru a spune dacă afirmația cercetătorilor este falsă. Dar nu m-am putut abține să nu mă gândesc că există o mulțime de factori posibil să creeze confuzie care ar putea estompa rezultatele. În primul rând, alegerea de a mânca mult grătar este probabil adesea asociată cu o dietă mai puțin sănătoasă, bogată în grăsimi, în general (pot vorbi din experiență despre asta). Dacă acest lucru este adevărat și dacă dietele bogate în grăsimi – indiferent dacă includ mult grătar sau nu – sunt asociate cu aceleași rezultate negative asupra sănătății, atunci am avea imaginea din partea stângă a Figurii 10.3 (tot la pagina 94). Bula roșie reprezintă factorul de confuzie, care influențează atât volumul nostru intravenos, cât și volumul zilnic. Dacă această imagine ar fi cea corectă a fenomenului fundamental, atunci corelația pe care am crezut că o observăm între grătar și cancer se datora de fapt conținutului de grăsimi.

Figura 10.2: O ipoteză privind cauzalitatea: consumul de alimente la grătar crește riscul de anumite tipuri de cancer.

Un alt exemplu este partea dreaptă a Figurii 10.3, de mai jos. Poate că grătarul este mai popular din punct de vedere cultural în unele zone ale țării (să zicem, în Sud, unde cu siguranță văd că se mănâncă des) și poate că acele zone au alți factori de mediu care pot duce la cancer. În acest caz, factorul de confuzie „Sud” afectează indirect variabila diurnă (prin intermediul unei alte variabile, mediul), dar tot o afectează.

Nu este greu să te gândești la alții. Aceștia au fost doar primii doi care mi-au venit în minte. Ideea este că este foarte greu să fii sigur că te-ai gândit la toți!

Figura 10.3: Alte ipoteze privind cauzalitatea, fiecare rezultând în aceleași asocieri în date, dar implicând factori de confuzie.

Sursa: Stephen Davies, The Crystal Ball – Instruction Manual, Vol. 1: Introduction to Data Science, v. 1.1. Copyright © 2021 Stephen Davies. Licența CC BY-SA 4.0. Traducere și adaptare: Nicolae Sfetcu. © 2025 MultiMedia Publishing, Introducere în Știința Datelor, Volumul 1