Korelasyon ve Nedensellik: Fark Nedir?

Basira Editör Ekibi · · 10 dk okuma · Güncellendi: 17 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Korelasyon iki değişkenin birlikte değiştiğini söyler; nedensellik ise birine müdahale edildiğinde ötekinin değişeceğini söyler. İkincisi daha güçlü bir iddiadır ve verinin kendisinden çok araştırma desenine dayanır.
  • Gözlemsel bir korelasyonu karıştırıcı değişken, ters nedensellik, seçim yanlılığı ya da tesadüf de üretebilir; Simpson paradoksu, alt gruplar birleştirildiğinde ilişkinin yön bile değiştirebildiğini gösterir.
  • Rastgele atama, ölçülen ve ölçülmeyen bütün karıştırıcıları beklenen değerde dengelediği ve ters nedenselliği dışladığı için neden-sonuç çıkarımının en güçlü dayanağıdır.
  • Gözlemsel veride kontrol değişkeni, eşleştirme ve nedensel diyagramlar yalnız ölçülmüş değişkenleri hesaba katar; karıştırıcı kontrol edilir, aracı ve çarpışan değişken bu amaçla kontrol edilmez.
  • Hill'in (1965) dokuz görüş noktası bir puanlama çizelgesi değil, kanıtı tartmanın yoludur; nedenin sonuçtan önce gelmesi dışında hiçbiri tek başına zorunlu değildir.

İçindekiler

İçindekiler

Korelasyon ve nedensellik iki ayrı iddiadır. Korelasyon, iki değişkenin birlikte değiştiğini söyler: biri yüksekken öteki de yüksek (ya da düşük) olma eğilimindedir. Nedensellik ise birine müdahale edildiğinde ötekinin değişeceğini söyler. Korelasyon tek başına nedenselliğin kanıtı değildir, çünkü aynı ilişkiyi ortak bir neden, ters yönde işleyen bir etki, seçilmiş bir örneklem ya da tesadüf de üretebilir.

Korelasyon katsayısının nasıl seçildiği ve hesaplandığı korelasyon analizi rehberinde anlatılır. Burada katsayının ne söyleyip ne söylemediği, nedensel bir sonuç için hangi kanıtın gerektiği ve gözlemsel verinin bu konuda nereye kadar gidebildiği ele alınıyor.

Korelasyon ve nedensellik nedir?

Korelasyon iki değişkenin birlikte değişme eğilimini özetleyen bir ölçüdür; nedensellik ise bir değişkene müdahale edildiğinde ötekinin değişeceğini söyleyen bir iddiadır. Korelasyon gözleme dayanır. Aynı kişilerde iki değişken ölçülür ve birlikte nasıl değiştikleri bir katsayıyla özetlenir: doğrusal ilişki için Pearson korelasyon katsayısı, sıralı ya da belirgin biçimde normal dışı veride Spearman korelasyon katsayısı.

Dikkat

Katsayı simetriktir; X ile Y’nin korelasyonu Y ile X’inkiyle aynıdır ve hangisinin neden olduğu hakkında bir şey söylemez.

Nedensellik yönlü bir iddiadır ve bir karşılaştırmayı içerir. Bir öğrencinin özel ders aldığında alacağı not ile aynı öğrencinin özel ders almasaydı alacağı not arasındaki fark, özel dersin o öğrenci için nedensel etkisidir (Rubin, 1974). Bu iki sonuçtan yalnız biri gözlenebilir: öğrenci ya ders almıştır ya almamıştır.

Holland (1986) bunu nedensel çıkarımın temel sorunu olarak adlandırır. Bu yüzden nedensel etki bireyde değil, birbirine benzeyen gruplar karşılaştırılarak kestirilir; bütün güçlük de grupların gerçekten benzer olup olmadığındadır.

Pearl (2009) aynı ayrımı iki olasılıkla anlatır: X’in belirli bir değeri gözlendiğinde Y’nin dağılımı, P(Y∣X=x){P(Y \mid X = x)}, ile X o değere ayarlandığında Y’nin dağılımı, P(Y∣do(X=x)){P(Y \mid \mathrm{do}(X = x))}. Korelasyon birinciye, nedensel etki ikinciye dayanır. İkisi ancak X’ten Y’ye giden nedensel yol dışında ikisini bağlayan başka bir yol yoksa çakışır: ne ortak bir neden ne de Y’den X’e bir etki. Bir odadaki termometrenin gösterdiği değer odanın sıcaklığıyla güçlü biçimde ilişkilidir, ama termometreyi avuçta ısıtmak odayı ısıtmaz.

Korelasyon neden nedensellik göstermez?

X ile Y arasında bulunan bir korelasyonun birkaç olası açıklaması vardır. “X, Y’ye yol açıyor” bunlardan yalnız biridir; aşağıdaki açıklamalar dışlanmadan bu yorum yapılamaz:

Açıklama ve yapıNasıl zayıflatılırSorulacak soru
Karıştırıcı değişken: X←Z→Y{X \leftarrow Z \rightarrow Y}Rastgele atama; karıştırıcıyı ölçüp kontrol etmek ya da eşleştirmekİkisini de etkileyen ortak bir neden var mı?
Ters nedensellik: Y→X{Y \rightarrow X}X’i Y’den önce ölçen boylamsal desen ya da deneySonuç, varsayılan nedeni etkilemiş olabilir mi?
Seçim yanlılığı: X→C←Y{X \rightarrow C \leftarrow Y}Kitleyi temsil eden örnekleme; ortak sonuca göre koşullamamakÖrneklem, iki değişkenle de ilişkili bir ölçüte göre mi seçildi?
Tesadüf: sistematik yapı yokÖnceden yazılmış hipotez, yeterli örneklem, çoklu karşılaştırma düzeltmesi, tekrarlamaİlişki küçük örneklemden ya da çok sayıda sınamadan mı doğdu?
Simpson paradoksu: karıştırıcının (bazen aracının) toplam tabloda yarattığı yön değişimiTabakalı analiz; grup değişkeninin rolünü nedensel diyagramla belirlemekİlişki alt gruplarda da aynı yönde mi?

Karıştırıcı değişken

Karıştırıcı, hem X’i hem Y’yi etkileyen ortak bir nedendir. Evdeki kitap sayısı ile çocukların okuma başarısı ilişkili olabilir; ama ailenin eğitim ve gelir düzeyi hem evdeki kitap sayısını hem çocuğun okuma başarısını etkiler. Eve kitap taşımanın başarıyı ne kadar değiştireceği bu korelasyondan okunamaz. Yapı bir çataldır: X←Z→Y{X \leftarrow Z \rightarrow Y}.

Zaman içinde birlikte artan iki seri de (ör. bir ülkede yıllara göre internet kullanımı ile ortalama yaşam süresi) yüksek bir korelasyon verebilir; burada zamanın kendisi ve onunla birlikte değişen etkenler ortak bir neden gibi çalışır. Karıştırıcı X’ten önce gelir ve X’in sonucu değildir; bu tür değişkenlerin desende ve analizde nasıl ele alındığı kontrol edilebilen ve edilemeyen değişkenler yazısında anlatılır.

Ters nedensellik

İlişki varsayılanın tersi yönde işleyebilir: Y→X{Y \rightarrow X}. Özel ders alan öğrencilerin notları almayanlarınkinden düşük çıkabilir; özel ders notu düşürdüğü için değil, notu düşük öğrenciler özel derse yöneldiği için. Tüm değişkenlerin tek bir anda ölçüldüğü kesitsel desende hangi değişkenin önce geldiği bilinmez.

Dikkat

X’i Y’den önce ölçen boylamsal bir desen zamansal sırayı gösterir, ama karıştırıcıları ortadan kaldırmaz.

Seçim yanlılığı

Örneklem, iki değişkenden de etkilenen bir ölçüte göre seçilmişse kitlede olmayan bir ilişki örneklemde ortaya çıkabilir. Lisansüstü kabulün sınav puanı ile lisans not ortalamasının ağırlıklı toplamına göre yapıldığını düşünün. Kabul edilenler arasında iki puan negatif ilişkili görünebilir: birinde düşük olan aday, kabul edilebilmek için ötekinde yüksek olmak zorundadır. Kitlede iki puan ilişkisiz olsa bile bu böyledir.

Yapıda kabul (C) iki değişkenin ortak sonucudur, X→C←Y{X \rightarrow C \leftarrow Y}; yalnız kabul edilenlere bakmak C’ye göre koşullamaktır ve sahte bir ilişki doğurur (Hernán vd., 2004).

Yayımlanmış çalışmalarda örneklem büyüklüğü ile etki büyüklüğü arasında görülen ilişkinin bir kısmı da aynı mekanizmadan, anlamlı sonuçların daha kolay yayımlanmasından gelebilir (Kühberger vd., 2014). Örneklemin kitleyi nasıl temsil ettiği örnekleme yöntemleri yazısının konusudur.

Tesadüf

Küçük bir örneklemde ya da çok sayıda ilişkinin birlikte sınandığı bir çalışmada, kitlede var olmayan bir korelasyon şans eseri anlamlı çıkabilir. Her biri .05 düzeyinde sınanan 20 bağımsız ilişkinin hepsi kitlede sıfır olsa bile en az birinin anlamlı çıkma olasılığı yaklaşık %64’tür. Bu birinci tür hata riskidir. p değeri yalnız tesadüf açıklamasını tartar; karıştırıcıya, ters nedenselliğe ve seçim yanlılığına karşı koruma sağlamaz.

Simpson paradoksu

Alt gruplarda bir yönde olan ilişki, gruplar birleştirildiğinde kaybolabilir ya da tersine dönebilir (Simpson, 1951). Bunun nedeni çoğunlukla grup değişkeninin bir karıştırıcı olmasıdır. Aşağıdaki örnek, aynı verinin iki zıt sonuca nasıl götürebildiğini gösteriyor.

Örnek: Simpson paradoksu bir sonucu nasıl tersine çevirir?

Bir karıştırıcı karşılaştırılan gruplara dengesiz dağıldığında, toplam tablodaki sonuç alt gruplardakinin tersine dönebilir. Bir hastanenin kayıtlarından iki tedavi yöntemi (A ve B) karşılaştırılıyor; hastalar başvuru anında hafif ya da ağır olarak sınıflanmış. Sayılar öğretici amaçla kurgulanmıştır.

Tablo 1

Hastalığın Şiddetine ve Tedavi Yöntemine Göre İyileşme Oranları (Kurgusal Veri)

Hastalığın şiddetiYöntem A: iyileşen / hastaYöntem B: iyileşen / hasta
Hafif90 / 100 (%90)340 / 400 (%85)
Ağır240 / 400 (%60)50 / 100 (%50)
Toplam330 / 500 (%66)390 / 500 (%78)

Hafif hastalarda da ağır hastalarda da A’nın iyileşme oranı daha yüksektir; toplamda ise B önde görünür. Çelişki, yöntemlerin farklı hastalara uygulanmasından doğar: A’yı alan 500 hastanın 400’ü ağır, B’yi alan 500 hastanın 400’ü hafiftir. Ağır hastaların iyileşme oranı her yöntemde daha düşük olduğu için A’nın toplam oranı aşağı çekilir. Toplam satır yöntemleri değil, iki farklı hasta karışımını karşılaştırır.

Gerçek veride en çok anılan örnek Berkeley’deki lisansüstü başvurulardır. Toplamda kadınların kabul oranı erkeklerinkinden düşüktü; bölüm bölüm bakıldığında kadınlar aleyhine sistematik bir fark görülmedi: anlamlı fark gösteren bölüm azdı ve kadınları kayıran görünen bölümler erkekleri kayıranlar kadar çoktu, çünkü kadınlar kabul oranı düşük bölümlere daha sık başvurmuştu (Bickel vd., 1975).

Hangi satır doğrudur? Bu sorunun yanıtı tablodaki sayılarda değil, değişkenlerin nedensel yapısındadır (Pearl, 2009):

  • Şiddet tedaviden önce belirlenmiş ve hangi yöntemin seçileceğini etkilemişse bir karıştırıcıdır: X←Z→Y{X \leftarrow Z \rightarrow Y}. Yöntemler aynı şiddetteki hastalar arasında karşılaştırılır; tabakalar okunur ve A daha iyi görünür.
  • Üçüncü değişken tedaviden sonra ölçülmüş ve tedavinin etkisinin geçtiği bir ara basamaksa aracı değişkendir: X→M→Y{X \rightarrow M \rightarrow Y}. Bu durumda yöntemin toplam etkisini görmek için tabakalara bölmek yanlış olur; toplam satırı okunur.

Aynı sayılar, değişkenin desendeki yerine göre iki farklı sonuca götürür. Bu yüzden hangi değişkene göre tabakalandırılacağı ya da hangi değişkenin kontrol edileceği veriye bakarak değil, verinin nasıl üretildiğine dair bilgiyle kararlaştırılır.

Bir ilişkinin nedensel olduğunu hangi ölçütler destekler?

Deney yapılamadığında nedensellik tek bir çalışmayla değil, kanıtların birikimiyle tartışılır. Hill (1965), gözlenen bir ilişkiden neden-sonuç yorumuna geçmeden önce bakılacak dokuz görüş noktası önerdi; bunlar Bradford Hill ölçütleri olarak da bilinir:

Görüş noktasıSorulan soru
Güçİlişki büyük mü? Büyük bir ilişkiyi tümüyle açıklayacak bir karıştırıcının da güçlü olması gerekir.
Tutarlılıkİlişki farklı örneklemlerde, yerlerde ve desenlerde tekrarlandı mı?
ÖzgüllükNeden belirli bir sonuçla mı ilişkili, yoksa pek çok sonuçla mı?
ZamansallıkNeden sonuçtan önce mi geliyor?
Doz-yanıtMaruziyet arttıkça sonuç düzenli biçimde değişiyor mu?
Akla yatkınlıkİlişkiyi açıklayan bilinen bir mekanizma var mı?
UyumBulgu, alandaki öteki bilgilerle çelişiyor mu?
DeneyMüdahale (ör. maruziyetin kaldırılması) sonucu değiştiriyor mu?
BenzerlikBenzer bir neden-sonuç ilişkisi daha önce gösterildi mi?

Hill bunlara “ölçüt” değil “görüş noktası” der ve hiçbirinin neden-sonuç ilişkisini tartışmasız kanıtlamadığını, hiçbirinin de vazgeçilmez koşul sayılamayacağını belirtir. Sonraki yazarlar da listenin bir puanlama çizelgesi gibi kullanılmamasını, nedensel çıkarımın ölçütlerle karar vermek değil bir etkiyi ölçmek olarak görülmesini önerir (Rothman ve Greenland, 2005).

Görüş noktalarından yalnız zamansallık, yani nedenin sonuçtan önce gelmesi, mantıksal bir zorunluluktur. Özgüllük en zayıf noktadır: birçok neden birden çok sonuca yol açar. Güç de yanıltabilir: yukarıdaki zaman serisi örneğinde olduğu gibi çok yüksek korelasyonlar tümüyle ortak bir etkenden doğabilir.

Deneysel desen ve rastgele atama neden en güçlü kanıttır?

Rastgele atama, ölçülen ve ölçülmeyen bütün karıştırıcıları beklenen değerde dengelediği ve ters nedenselliği dışladığı için neden-sonuç çıkarımının en güçlü dayanağıdır. Deneysel desende X’in değerini araştırmacı belirler ve birimleri gruplara kurayla atar. Atamayı yalnız şans belirlediği için hiçbir karıştırıcı, ölçülmüş olsun olmasın, kimin hangi gruba düştüğünü etkileyemez: diyagramda Z’den X’e giden ok kesilir.

Gruplar başlangıçta beklenen değerde benzer olur ve sonuçtaki fark atanan müdahaleye bağlanabilir (Rubin, 1974; Holland, 1986). Ters nedensellik de dışlanır, çünkü sonuç atamayı belirleyemez. Geriye tesadüf kalır; onu da p değeri ve güven aralığı tartar.

Rastgele atama her şeyi çözmez. Tek bir çalışmada gruplar şans eseri dengesiz düşebilir; katılımcıların çalışmadan ayrılması ya da müdahaleye uymaması karşılaştırmayı bozabilir; etik ya da pratik nedenle birçok değişken atanamaz (sigaranın etkisini görmek için kimse sigaraya başlatılamaz). Ayrıca rastgele atama ile rastgele örnekleme farklı şeylerdir: rastgele atama grupların karşılaştırılabilirliğini, yani nedensel yorumu sağlar; rastgele örnekleme ise sonucun kitleye genellenebilmesini sağlar. Bir deney gönüllülerle yapılmışsa, nedensel sonuç güçlü ama genellenebilirliği sınırlı olabilir.

Gözlemsel veride nedensel soru nasıl incelenir?

Deney yapılamadığında gözlemsel veriden nedensel bir sonuç çıkarmak mümkündür, ama sınanamayan varsayımlar altında. Üç temel araç, yöntemlerin ayrıntısına girmeden şöyle özetlenebilir:

  • Kontrol değişkeni. Ölçülmüş bir karıştırıcı modele katılır: çoklu doğrusal regresyon modelinde kovaryat olarak ya da kısmi korelasyonda etkisi çıkarılarak. Yalnız ölçülmüş karıştırıcıları ve modelin varsaydığı biçimi (ör. doğrusal) hesaba katar.
  • Eşleştirme ve eğilim puanı. Karşılaştırılan gruplar ölçülmüş özellikler bakımından benzer kurulur; eğilim puanı, birçok özelliği bir kişinin müdahaleyi alma olasılığında özetleyerek bunu kolaylaştırır (Rosenbaum ve Rubin, 1983). Ölçülmemiş karıştırıcılara karşı koruma sağlamaz.
  • Nedensel diyagram (DAG). Yönlü döngüsüz çizge, değişkenler arasındaki varsayılan neden-sonuç oklarını açıkça çizer ve hangi değişkenin kontrol edilmesi gerektiğini bu çizimden çıkarır (Greenland vd., 1999).

Nedensel diyagramın asıl katkısı, “elimdeki bütün değişkenleri modele katayım” yaklaşımının neden yanlış olduğunu göstermesidir (Rohrer, 2018). Üç temel yapı farklı kararlar ister:

Yapı ve diyagramKontrol edilir mi?Üçüncü değişkenin rolü
Çatal: X←Z→Y{X \leftarrow Z \rightarrow Y}Evet; edilmezse sahte ilişki kalırKarıştırıcı: ortak neden
Zincir: X→M→Y{X \rightarrow M \rightarrow Y}Toplam etki soruluyorsa hayır; edilirse etkinin bir kısmı silinirAracı: etkinin geçtiği yol
Çarpışan: X→C←Y{X \rightarrow C \leftarrow Y}Hayır; edilirse olmayan bir ilişki doğarOrtak sonuç

Diyagram veriden çıkmaz; alan bilgisine dayanan bir varsayımdır ve okuyucunun görebileceği biçimde yazılması onun en büyük yararıdır. Ölçülmemiş bir karıştırıcı riski her zaman kalır; sonucun bu riske ne kadar duyarlı olduğu ayrıca tartışılır. Araç değişken, regresyon süreksizliği (regression discontinuity) deseni ya da fark-içinde-fark gibi yöntemler ölçülmemiş karıştırıcıya karşı koruma sağlayabilir, ama her biri kendi varsayımlarına dayanır.

Tezde korelasyonel bulgular nasıl yazılır?

Desen gözlemsel ve kesitselse “X, Y’yi artırır” ya da “X’in Y üzerindeki etkisi” gibi ifadeler bulgunun taşıyamayacağı bir iddiada bulunur. Öte yandan nedensel bir soru soruluyorsa bunu “ilişki” sözcüğünün arkasına saklamak da çözüm değildir; Hernán (2018), nedensel amacın açıkça yazılmasını ve bu amaç için gereken varsayımların tartışılmasını önerir. Pratikte:

  1. Sorunun türünü yazın. Amaç betimlemek mi, yordamak mı, yoksa bir müdahalenin etkisini kestirmek mi? Regresyondaki “yordar” sözcüğü istatistiksel kestirimi anlatır, nedenselliği değil; ayrım regresyon analizi nedir yazısında ve bağımlı ve bağımsız değişkenler yazısında da geçer.
  2. Kontrol edilen değişkenlerin gerekçesini verin. Hangi değişkenin neden modele katıldığını, tercihen bir nedensel diyagramla gösterin.
  3. Sınırlılıkları adıyla yazın. Ölçülmemiş karıştırıcılar, kesitsel desen ve örneklemin nasıl seçildiği tartışma bölümünde açıkça belirtilir.
  4. Etki büyüklüğünü doğru okuyun. Etki büyüklüğü terimi bir ilişkinin ya da farkın büyüklüğünü anlatır; tek başına nedensel bir etki iddia etmez. Sonuçların biçimsel yazımı APA 7 raporlama yazısında anlatılır.

Sık sorulan sorular

Güçlü bir korelasyon nedenselliğe işaret eder mi?

Tek başına hayır. Büyük bir ilişkiyi tümüyle açıklayabilecek bir karıştırıcının da güçlü olması gerektiği için ilişkinin gücü nedensellik lehine bir ipucudur (Hill, 1965). Ama birlikte artan iki zaman serisi ya da güçlü bir ortak neden de çok yüksek korelasyonlar üretebilir.

Korelasyon yoksa nedensellik de yok mu demektir?

Hayır. Gerçek bir etki, ters yönde işleyen bir karıştırıcı tarafından gizlenebilir; ilişki doğrusal değilse Pearson katsayısı onu yakalayamayabilir; değer aralığı daraltılmış bir örneklem ilişkiyi olduğundan zayıf gösterir. Simpson paradoksunda olduğu gibi alt gruplardaki ilişkiler birleşince birbirini silebilir.

Regresyon analizi nedensellik gösterir mi?

Regresyon katsayısı da bir ilişki ölçüsüdür. Modele karıştırıcıları katmak katsayıyı nedensel yoruma yaklaştırabilir, ama bu yorum desene ve hangi değişkenlerin neden kontrol edildiğine dair varsayımlara dayanır; yöntemin kendisi nedenselliği kanıtlamaz.

Kısmi korelasyon karıştırıcı sorununu çözer mi?

Yalnız ölçülmüş ve modele konmuş değişkenler için, onların da yalnız doğrusal etkisini çıkararak. Ölçülmemiş karıştırıcıyı dışlamaz; kontrol edilen değişken bir aracı ya da çarpışan değişkense sonucu düzeltmek yerine bozar.

Yapısal eşitlik modelindeki oklar nedensellik kanıtı mıdır?

Hayır. Oklar araştırmacının kurduğu modelin varsayımlarıdır. Modelin veriyle iyi uyum göstermesi bu varsayımları kanıtlamaz; okları farklı yönlere çizen başka modeller de aynı veriye aynı ölçüde uyabilir.

Kesitsel bir anket çalışmasında “etkisi” sözcüğünü kullanabilir miyim?

Başlıkta ve bulgularda “ilişkisi” ya da “ile ilişkili” ifadesi bulguyu doğru anlatır. Araştırma sorusu gerçekten nedenselse bunu açıkça yazmak, karıştırıcıları gerekçesiyle kontrol etmek ve kesitsel desenin sınırlılığını tartışmak gerekir.

  • #korelasyon-analizi
  • #iliski-analizi
  • #nedensellik
  • #arastirma-deseni

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Bickel, P. J., Hammel, E. A., & O'Connell, J. W. (1975). Sex bias in graduate admissions: Data from Berkeley. Science, 187(4175), 398–404.
  2. Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48.
  3. Hernán, M. A. (2018). The C-word: Scientific euphemisms do not improve causal inference from observational data. American Journal of Public Health, 108(5), 616–619.
  4. Hernán, M. A., Hernández-Díaz, S., & Robins, J. M. (2004). A structural approach to selection bias. Epidemiology, 15(5), 615–625.
  5. Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300.
  6. Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960.
  7. Kühberger, A., Fritz, A., & Scherndl, T. (2014). Publication bias in psychology: A diagnosis based on the correlation between effect size and sample size. PLoS ONE, 9(9), Article e105825.
  8. Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
  9. Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42.
  10. Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
  11. Rothman, K. J., & Greenland, S. (2005). Causation and causal inference in epidemiology. American Journal of Public Health, 95(S1), S144–S150.
  12. Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
  13. Simpson, E. H. (1951). The interpretation of interaction in contingency tables. Journal of the Royal Statistical Society: Series B (Methodological), 13(2), 238–241.

Kendi verinizde görün

Kavramı kendi verinizde görmek isterseniz Korelasyon Analizi modülünü örnek veriyle açabilirsiniz. Basira’yı deneyin

İlgili yazılar