閱讀提示:文中的里長、社區數據及部分案例為教學情境,非特定真實事件或研究結果。
1、冰淇淋賣得越多,溺水事件也越多?
「均富里長!我發現一件不得了的事情!」炎熱的午後,天龍里長抱著筆記型電腦衝進辦公室。「夏天冰淇淋賣得越多,溺水事件也越多!我們應該限制冰淇淋販售!」
均富里長差點把茶噴出來。「妳有沒有想過,天氣越熱,買冰淇淋的人越多,去游泳的人也可能越多?」
「可是兩個數字明明就一起增加啊!」
「沒錯。但相關不等於因果(Correlation Does Not Imply Causation)。」
這是教學用的假設故事,不是特定地區的實證調查。它提醒我們:數據可能正確,解釋卻未必正確。運動的人比較健康、使用數位工具的學生表現較好、滿意度較高的企業績效較好——這些觀察值得研究,但不能立即斷定原因。看見關係,只是理解原因的第一步。
2、什麼是相關?先讓資料自己說話
相關(Correlation)描述兩個變項是否呈現共同變動的模式。正相關表示一個變項增加時另一個通常也增加;負相關表示一個增加時另一個通常減少;無明顯線性相關表示沒有穩定的直線趨勢。
正相關不代表好事,負相關也不代表壞事。沒有線性相關,也不等於完全沒有關係:壓力與表現可能呈倒U形,這是非線性關係。
3、相關係數 r:從 −1 到 +1
常見的 Pearson 積差相關係數以 r 表示樣本中兩個數值變項的線性關係,範圍為 −1 到 +1。r = +1 是完全正線性相關;r = −1 是完全負線性相關;r = 0 表示樣本中沒有 Pearson 所衡量的線性相關,但仍可能有非線性關係。
「如果冰淇淋與溺水事件的 r = 0.9,不就證明有很強的因果關係?」天龍里長問。
「又來了!」均富里長笑著說。r = 0.9 不代表90%的因果關係。相關係數的大小不等於 p 值或統計顯著性;強弱判準也須考量領域、測量與研究情境。
4、兩件事一起變動,可能是第三個因素造成
氣溫升高可能同時帶動冰淇淋需求與水域活動;水域活動增加,又可能影響溺水事件總數。這是值得檢驗的因果假設,不是已經證實的機制。
在因果研究中,某些因素可能造成混淆(Confounding),讓我們錯估暴露與結果的關係。但並非所有與兩者相關的第三變項都構成混淆,必須考慮時間順序與因果結構。
還要留意反向因果:輔具使用者的功能較差,不代表輔具造成退化,也可能是功能限制較多的人更需要輔具。比較事件時也要看分母:溺水總數增加,不代表每萬名水域活動參與者的風險一定上升。
「所以數據是線索,不是判決書。」均富里長說。
5、散布圖會說話,也可能騙人
1973年,統計學家 Anscombe 提出的四組資料,具有幾乎相同的摘要統計,畫成散布圖後卻呈現不同結構。離群值、非線性、取樣範圍限制與群體混合,都可能改變解讀。
以下是人工設計的辛普森悖論(Simpson’s Paradox)案例。請先看兩個年齡組:A社區達成率都比B社區高;但整體卻是B社區較高。原因是兩社區的年齡組成不同,合併比例受到各組人數權重影響。
| 組別 | A社區 | B社區 |
|---|---|---|
| 非高齡組 | 9/10(90%) | 80/100(80%) |
| 高齡組 | 20/100(20%) | 1/10(10%) |
| 整體 | 29/110(26.4%) | 81/110(73.6%) |
這些比例只是觀察到的差異,不能直接證明哪個社區方案具有較佳的因果效果。在醫療、教育與服務研究中,比較服務成效尤其需要留意對象組成與基準差異。
6、相關很高,為什麼仍不能說有因果?
相關分析問:「兩件事是否一起變動?」因果推論(Causal Inference)問的則是:「如果我們改變其中一個因素,另一個結果會不會因此改變?」
參加運動課程的長者功能較好,可能是課程有效,也可能是原本較健康的長者更容易參加。同一個人在相同時間不可能同時參加與不參加,因此需要可信的比較方式,估計不同情境下的效果。
Bradford Hill 於1965年提出時間順序、關聯強度、一致性與合理機制等判斷線索,但它們不是逐項勾選就能證明因果的公式。研究者仍須追問:原因是否先於結果?是否存在替代解釋?研究設計能否支持結論?
7、如何更接近因果?從觀察到實驗
「我找30位參加運動課程的長者,再找30位沒參加的長者,比較健康狀況,可以嗎?」天龍里長問。
「可以開始研究,但兩組原本就可能不同。」觀察性研究可利用統計調整等方法處理部分混淆;隨機對照試驗(RCT)在可行與合乎倫理的條件下,以隨機分派降低系統性的組間差異;準實驗設計則可利用政策改變、時間序列或其他條件建立比較。
三者不是必須依序完成的階段,也不能只靠研究名稱評斷品質。真正重要的是研究問題、比較條件、偏差控制、研究假設,以及結果是否適用於真實情境。
8、如果你是研究者,會怎麼驗證因果關係?
「今年辦了100場運動課程,累積2,000人次參加,這樣就能證明課程有效嗎?」天龍里長問。均富里長笑著說:「只能證明活動確實辦了不少場,還不能回答參加課程是否造成了改變。」
研究者首先要把問題說清楚:想知道的是課程是否增加參與人次、改善身體功能,還是提升日常生活參與?這三種結果並不相同。接著要決定如何測量、何時測量,以及與什麼情況比較。
例如,只比較參加者上課前後的表現,可能同時受到季節、自然恢復、其他治療或測量熟悉度影響。若能設置合理的比較組、考慮基準差異,或在合適條件下進行隨機分派,就更有機會辨別課程本身的影響;但每種設計都有適用條件與倫理限制。
對職能治療研究而言,測量指標還要回到服務對象真正重視的活動與生活參與,而不只是單一測驗分數。即使發現統計顯著差異,也應同時檢視效果大小、信賴區間、失訪情形及研究限制。
「所以不是先做完活動,再找幾個漂亮數字當成果?」天龍里長問。「沒錯。研究設計最重要的工作之一,就是在蒐集資料之前,先想清楚要回答什麼問題,以及什麼證據才足以回答它。」
9、AI 找到了相關性,就代表找到答案?
「把社區資料交給 AI,讓它找出所有相關性,不就更快了?」
AI 與機器學習能協助整理大量資料、辨識模式與預測結果;但預測不等於因果推論。例如,使用交通接送的長者中斷課程比例較高,可能是原本健康或行動限制較多的人更需要接送,不能據此認定接送造成中斷,更不能貿然取消支持。
大量比較也可能出現偶然相關、過度擬合與資料偏差。若機構通報制度較完善,事件紀錄反而較多,直接用事件總數評價服務品質就可能失真。
涉及醫療、教育或身心障礙服務資料時,還須確認使用權限、個資保護與系統安全;未經核准,不應將可識別的服務對象資料輸入外部 AI 系統。AI 可以幫忙找線索,但不能代替專業人員判斷證據的界線。
10、統計學讓我們看見關係,研究設計幫我們追問原因
幾天後,天龍里長帶著新的研究構想回到辦公室。「我把冰淇淋禁售令取消了!」
「很好,小朋友們應該會感謝妳。」均富里長笑著說。
「我想先整理不同氣溫下的冰淇淋銷量、水域活動人數與溺水事件,再比較不同時段和地點。可是,光看這些資料,應該還不能證明冰淇淋造成溺水吧?」
「對。先釐清研究問題,找出可能的混淆因素,再決定怎麼比較,才有機會檢驗我們的解釋。至於立即需要的水域安全措施,不必等研究做完才能採取;只是要區分風險預防與已經證實的因果效果。」
從相關分析走向因果推論,可以循著五個步驟:發現關係、提出因果假設、選擇研究設計、檢驗證據、修正解釋。研究結果未必能給出唯一答案,卻能讓我們更清楚哪些說法受到支持、哪些仍有不確定性。
「那我先去買一支冰淇淋,邊吃邊想研究設計!」
「……妳只是想吃冰淇淋吧?」🤣
兩人相視而笑。
相關讓我們看見線索,研究設計幫助我們檢驗原因。真正重要的,不是急著替數據編出一個故事,而是讓每個解釋都經得起合理的檢驗。
參考文獻
- Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. DOI
- Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. 全文
- Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. 作者網站
