【读书笔记】《深入浅出数据分析》第二章 检验你的理论

本章主要说明了两个问题：
1，相关性不等于因果关系
2，如何判断两种数据之间是相关性，还是因果关系？

一，相关分析方法

当研究两种或两种以上的数据之间有什么关系时，就要用到相关分析，如果两种数据之间有关系，叫作有相关关系，否则没有相关关系。

1，相关系数

相关系数可以用来衡量两种数据之间的相关程度。
(1)相关系数的数值大小可以表示两种数据的相关程度。
(2)相关系数的正负可以表示表示两种数据的相关方向。

当两个或两个以上的变量变化方向相同，正相关，相关系数>0。例如，夏天温度越高，冰淇淋销量越高。
当两个或两个以上的变量变化方向相反，负相关，相关系数<0。例如，速度与时间。
当两个或两个以上的变量变没有相关性，相关系数=0。

在分析过程中，相关分析可以帮助发现事物之间的联系。在某些情况下，甚至可以识别数据之间的因果关系。例如，温度越高，融化越快，但是，在得出这种结论时，我们必须小心谨慎。因果关系蕴藏着相关关系，但相关关系不等于因果关系。如果我们曲解了相关关系，我们就可能陷入错误的原因谬论。

二，相关性不等于因果关系

如果A和B存在正相关，A提升，B也提升，但是我们却不能简单地认为：B提升的原因是A提升，实际上，可能存在两种可能：
(1)纯属巧合。
(2)存在第三个变量C影响着B。
例如，冰激凌销量增加导致溺水事故增多
真相是，冰淇凌销量增加（A）和溺水事故增多（B）的关系，A和B有一个共同原因就是（夏天高气温），且A和B在统计学中曲线高度一致（具有相关性），但我们却不能想当然的定义A导致B，或B导致A（因果性）。

关于相关性和因果关系的深入探讨：https://www.cnblogs.com/LittleHann/p/12463465.html#_lab2_2_1

三，证明因果关系，“控制变量法”?

在自然科学常使用到一种实验方法：“控制变量法”，借用Wiki的术语，控制变量法通常称为Scientific Control，即在实验设计上，保证实验组和对照组之间只存在一个变量影响两组之间实验结果的差异。设置对照的目的通常是为了消除其他混杂因素对于实验结果的影响。对比实验组和对照组的结果，如果结果有任何的不同，都可以归因于这个变量。这些实验背后都有物理、化学、数学等基础原理支撑的，这些原理是稳定、科学、可量化的，因此可以通过数据统计+科学实验，慢慢地发现背后的自然规律。

然而，在实际分析工作中，这套方法可能不是很适用，因为其中会有很多混杂因素的影响，这些混杂因素无法被完全消除，比如，在营销、运营、产品、销售领域，无法完全消除人主观因素的影响，所以大多时候，无法找到其中的因果关系，但知道相关关系就可以帮助我们。

比如，大数据的经典案例之一是“啤酒和尿布”的故事，沃尔玛超市通过大量的数据，通过购物篮分析发现，买啤酒的人也买尿布，于是在货物架上，把两者放一块了，结果大大提升了销售额。这个很难证明其中的因果关系，但是只要运用啤酒和尿布的相关性，就可以提高销售额。

再比如，某宝，某东，给我们推荐商品，背后都是对我们的行为进行相关性分析，为我们推荐感兴趣的商品，从而提高销售额。