Correlación vs causalidad – Part 1

La causalidad indica que X e Y tienen una conexión de causa y efecto entre sí. Dice que X causa Y. La causalidad también se entiende como base. En primer lugar, la causalidad indica que dos posibilidades ocurren al mismo tiempo o una después de la otra. Y en segundo lugar, dice que estas dos variables no sólo se dan de forma conjunta, sino que la presencia de una impulsa a la otra a mostrarse.

La correlación es una palabra en estadística que se refiere a la extensión de la conexión entre dos variables inesperadas. Entonces, la correlación entre dos grupos de datos es la parte con la que se comparan entre sí. Si X e Y crecen para ser observados en el período exacto, sugiere una correlación entre X e Y. No sugiere A justificación B o viceversa. Simplemente indica que cuando se sigue X, se observa Y. Proceden conjuntamente o se muestran en el momento exacto.

Diferencia entre correlación y causalidad.

Comprender la diferencia entre correlación y causalidad puede marcar una gran diferencia, especialmente cuando alguien está tomando una decisión sobre algo que puede estar equivocado. Digamos, alguien se pregunta si el mes anterior en usuarios vibrantes mensuales ha sido generado por las acciones de optimización actuales de la App Store, es una razón para probar esto en la directiva para decir con certeza si se trata de una correlación o causalidad.

La correlación representa una alianza entre variables: cuando una variable es diferente, la otra también. Una correlación es una mano estadística de la conexión entre variables. Estas variables varían conjuntamente: covarían. Pero esta covariación no se debe necesariamente a una conexión causal inmediata o evasiva.

Causalidad significa que los cambios en una variable provocan cambios en la otra; existe una relación de causa y efecto entre las variables. Las dos variables están asociadas entre sí y también existe una conexión causal entre ellas. Una correlación no indica causalidad, pero la causalidad siempre indica correlación.

Tipos de correlación

• Correlación positiva: una correlación optimista es cuando observa que X aumenta y Y también aumenta. O si cae X, también cae Y.

• Correlación negativa: una correlación negativa es cuando un aumento en X conduce a una disminución en Y o viceversa.

• Sin correlación: Sin correlación es cuando dos variables son totalmente irrelevantes y una diferencia en X no muestra diferencias en Y o viceversa.

Correlación Vs Causalidad: Cómo saber si algo es una coincidencia o una causalidad

Entonces, ¿cómo alguien prueba los datos para poder hacer afirmaciones infalibles sobre la causalidad? Hay cinco métodos para hacer esto: técnicamente se llaman el método de investigación. (Documéntalos desde la técnica más poderosa hasta la más desvalida).

• Estudio aleatorizado y experimental

En circunstancias, a las personas les gusta probar el exclusivo entrenador de compras en su aplicación de comercio electrónico. La opinión es que hay múltiples fases antes de que un usuario pueda revisar y gastar en su cosa y que esta situación es un tema controvertido que les impide comprar más a menudo. Por lo tanto, han reconstruido el carro de compras en su aplicación y les gusta visitar si esto aumentará las posibilidades de que los usuarios compren productos.

La forma más conveniente de establecer la causalidad es organizar una investigación aleatoria. Aquí es donde uno asigna personas al azar para probar la organización de pruebas.

En el método práctico, hay una empresa administradora y un grupo práctico, ambos con condiciones coincidentes pero con una variable independiente que se está probando. Al asignar a alguien al azar para que pruebe la corporación de pruebas, evita probar la apreciación, donde se eligen resultados detallados sobre otros.

En la muestra, se asignaría aleatoriamente a los usuarios para que probaran el nuevo carrito de compras que se ha creado como prototipo en la aplicación, mientras que el grupo de administración sería designado para usar el carrito de compras existente (antiguo).

Después del tiempo de prueba, mire los datos y vea si el nuevo carro lo guía a más inversiones. Si es así, se puede afirmar una verdadera conexión causal: el antiguo carro de uno restringía a los usuarios completar una compra. Los resultados tendrán la mayor cantidad de información tanto para las partes interesadas internas como para otras personas más allá de la asociación con la que uno decida compartirlo, especialmente debido a la aleatorización.

• Estudio Cuasi-Experimental

Pero, ¿qué ocurre cuando alguien no puede aleatorizar el método de asignación de usuarios para realizar el análisis? Este es un método cuasi-experimental. Hay seis tipos de métodos cuasi-experimentales, cada uno con diferentes aplicaciones. El problema con esta técnica es que, sin aleatorización, las dificultades estadísticas se vuelven inútiles. Las personas no pueden estar absolutamente seguras de que los resultados se deban a la variable oa las variables problemáticas provocadas por la falta de aleatorización.

Los análisis cuasiexperimentales generalmente requerirán procedimientos estadísticos más avanzados para obtener la información necesaria. Los investigadores también pueden usar encuestas, entrevistas y notas de observación, todo lo cual complica el proceso de análisis de datos.

Digamos que las personas están probando si la experiencia del usuario en su última versión de la aplicación es menos confusa que la experiencia de usuario anterior. Y las personas están utilizando específicamente su grupo cerrado de probadores beta de aplicaciones. El grupo de prueba beta no se seleccionó al azar, ya que todos levantaron la mano para obtener acceso a las funciones más recientes. Por lo tanto, establecer la correlación frente a la causalidad, o en este caso, el trastorno convincente de UX, no es tan detallado como cuando se usa un análisis de prueba aleatorio.

Si bien los científicos pueden ignorar los efectos de estos análisis como poco confiables, la información que la gente recopila puede incluso brindarle una buena comprensión (piense en las tendencias).

• Estudio correlacional

Un estudio correlacional es cuando las personas intentan resolver si dos variables están conectadas o no. Si X crece y también crece Y, eso es una correlación. Solo determine que la correlación no indica causalidad y estará bien.

Por ejemplo, las personas eligen desear probar si una UX más suave tiene una poderosa correlación favorable con calificaciones de acciones de aplicaciones más útiles. Después de la observación, la gente ve que cuando uno sube, el otro también lo hace. No están diciendo que X (UX suave) causa Y (clasificaciones más sólidas), están diciendo que X está profundamente asociado con Y, y tal vez la energía incluso lo anticipa. Eso es una correlación.

• Estudio de un solo sujeto

El método de un solo sujeto se usa con más frecuencia en psicología y enseñanza, ya que se trata de un tema único. En lugar de controlar y probar a la empresa, el problema actúa como su propia autoridad. El investigador se preocupa por tratar de ajustar el comportamiento o el pensamiento de la persona.

En el marketing móvil, un análisis de un solo tema puede tomar la forma de solicitar a un usuario distinto que pruebe la usabilidad de la nueva calidad de la aplicación. Las personas pueden hacer que realicen una medida durante varias duraciones en la aplicación existente y luego hacer que prueben la medida duplicada en el rendimiento de la nueva aplicación. Organice los datos y vea si la actividad se realiza rápidamente en la aplicación antigua o nueva.

Aparentemente, este método está usando datos de un usuario. Su conocimiento no se puede generalizar a todos sus usuarios, sin importar cuán excelente se ajuste a la personalidad del comprador perfecto. Esa es una de las razones por las que este tipo de análisis se usa con poca frecuencia en el comercio.

• Cuentos

Las anécdotas, lamentablemente, son periódicas todas las evidencias que tenemos para demostrar causalidad. Su energía proviene del personal de soporte: “Los clientes creen que la nueva interfaz de usuario es difícil de usar. Es por eso que se están desinstalando”. Cliente X en Twitter: “¡Intentamos comprar un producto en su aplicación y está causando que mi teléfono se bloquee!” El problema aquí es: si bien podrían tener un punto de incomodidad válido y podrían De manera efectiva (y muy emotiva), estas historias no confirman sin sospechar que X causa Y. En realidad, son solo rumores en este momento y tienen menos importancia que las otras opciones generales.

Correlación Vs Causalidad en Analítica Móvil

Entonces, ¿de qué nos hemos dado cuenta de todos estos casos de correlación y causalidad? Existen métodos para probar si dos variables se generan una a la otra o están correlacionadas positivamente entre sí. Si son severos en cuanto a mostrar una conexión causal, entonces deben usar el proceso de prueba que muestra sus datos y resultados en la mayoría de los hechos. Comience con el procedimiento experimental inesperado y realice su curso hacia abajo. Y observe constantemente cómo creen o incluso verbalizan sus pronósticos.

Hay un dicho latino que dice: “Post hoc, ergo propter hoc”, que sugiere: “Después de esto, así por esto”. La opinión es que al transmitir un comentario antes que el otro, usted indica que el anterior empujó al último a ocurrir. («Él calificó mi aplicación con cero estrellas. Nadie ha descargado mi aplicación»). La verdad es que podría ser solo una correlación o una concurrencia pura.

Cómo comprobar la correlación vs. Causalidad

Como especialistas en marketing móvil, hacemos juicios todos los días establecidos en los datos. Estas conclusiones guían a los usuarios a seguir usando las aplicaciones o desinstalarlas. Esta es la razón por la que uno debe creer absolutamente cuando se encuentra con datos y tener cuidado con los posibles problemas de correlación frente a causalidad.

Una frase estadística que guía al alcance de las conexiones entre 2 variables inesperadas. Entonces, la correlación entre 2 conjuntos de información es la cantidad con la que se comparan entre sí.

Problemas de muestra

Pregunta 1: Mi padre acaba de quejarse: «Mientras envío un mensaje de texto, el teclado de mi teléfono se congela». ¿Este problema está relacionado con la causalidad o con la correlación?

Responder:

Una breve mirada a su teléfono inteligente confirmó mi duda: hay aplicaciones de cuatro juegos abiertas al mismo tiempo, además de WhatsApp y YouTube. La acción de intentar enviar un mensaje de texto no estaba generando la congelación, sino la falta de RAM. Pero mi padre lo relacionó al instante con el último paso que estaba dando antes de la helada.

Padre estaba indicando causalidad donde solo había una correlación.

Falta de RAM ⇢ Causalidad ⇢ Teléfono congelado ⇢ Correlación ⇢ La mensajería de texto no funcionará                                              

Pregunta 2: Durante el día donde la Sra . Roy sale a correr, Sra . Roy ve más autos en la carretera. “¿Es esta una relación de causa y efecto autorizada o no autorizada?

Responder:

La Sra. Roy personalmente, no Obliga a más autos a conducir al aire libre en la carretera cuando sale a correr. Es solo que porque sale a correr afuera, la señora Roy ve más autos que cuando se queda en casa. Esta conexión no es de causa y efecto porque ni los autos ni ella se afectan entre sí.

Pregunta 3: En los días en que el Sr. chhabra bebe té, el Sr. chhabra se siente más enérgico. ¿Esta relación de causa y efecto está autorizada o no?

Responder:

Sr. Chhabra puede sentir más energía gracias al té, claro. Pero también puede ser porque el Sr. chhabra va a la tienda de té a tomar té, y el Sr. chhabra tiene más energía en la tienda de té que en casa cuando hay un millón de distracciones. Esta causa y efecto NO ESTÁ autorizada.

Pregunta 4: Después del ejercicio del Sr. Sagar, el Sr. Sagar se siente físicamente agotado. ¿Esta relación de causa y efecto está autorizada o no?

Responder:

Esto es causa y efecto porque el Sr. Sagar fuerza intencionalmente su cuerpo al cansancio físico cuando hace ejercicio. Las fortalezas que el Sr. Sagar solía ejercitar son el agotamiento (efecto) después del ejercicio (causa). Esta causa y efecto está autorizada.

Pregunta 5: Cuando la Sra. Puja alimenta a su perro con más de 3 golosinas al día, su perro se pone un poco más pesado, ¿es esta una relación de causa y efecto?

Responder:

El perro de la Sra. Puja se vuelve más pesado porque ella lo está alimentando más. Esta es una causa y efecto. La Sra. Puja alimentando a su perro con golosinas es la causa y el efecto es que su perro se vuelve un poco más pesado.