跳至主要內容
EDUCATION × STATISTICAL LITERACY

一起增加,就代表有關係?——從相關係數到因果推論,別讓數據帶著我們走錯方向

說故事學統計⑦|從相關分析走向研究設計

陳威勝 · Allen Mind Lab · 2026.11.11
進入 Education 特色館
AML第97篇海報:天龍里長與均富里長從冰淇淋與溺水事件的相關性,探討混淆變項、辛普森悖論與研究設計。

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。

三種線性相關散布圖人工示意資料:正相關、負相關與無明顯線性相關。沒有線性相關不代表沒有非線性關係。正相關負相關無明顯線性相關
圖1|人工示意資料:正相關、負相關與無明顯線性相關。沒有線性相關不代表沒有非線性關係。

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。

Pearson r 的方向與強度r 的正負表示線性關係方向,絕對值表示強度;r 不等於因果效果。-1-0.500.51負線性相關正線性相關絕對值越接近 1,線性關係越強
圖2|r 的正負表示線性關係方向,絕對值表示強度;r 不等於因果效果。

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。

冰淇淋與溺水的可能共同因素氣溫可能同時影響冰淇淋需求與水域活動;實線為假設的因果路徑,虛線為觀察到的關聯,並非已驗證的模型。氣溫升高冰淇淋銷量增加水域活動增加溺水事件可能增加觀察關聯
圖3|氣溫可能同時影響冰淇淋需求與水域活動;實線為假設的因果路徑,虛線為觀察到的關聯,並非已驗證的模型。

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。

人工教學資料:活動目標達成率
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。

辛普森悖論:分組與整體比較人工資料中,A社區兩個年齡組達成率都較高,整體卻低於B社區;原因是組別人數權重不同。非高齡組A 90%B 80%高齡組A 20%B 10%整體A 26.4%B 73.6%
圖4|人工資料中,A社區兩個年齡組達成率都較高,整體卻低於B社區;原因是組別人數權重不同。

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。

不同研究設計共同協助因果判斷觀察性研究、隨機對照試驗與準實驗設計是平行的研究選擇,均須評估偏差與因果假設。觀察性研究隨機對照試驗準實驗設計因果證據評估比較條件・偏差・研究假設
圖5|觀察性研究、隨機對照試驗與準實驗設計是平行的研究選擇,均須評估偏差與因果假設。

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。

因果研究的五個步驟從發現關係、提出因果假設、選擇研究設計、檢驗證據到修正解釋,研究者需要反覆檢視偏差與假設。發現關係看見模式›因果假設提出可能原因›研究設計規劃合理比較›檢驗證據檢視偏差與限制›修正解釋重新檢視
圖6|從發現關係、提出因果假設、選擇研究設計、檢驗證據到修正解釋。研究是反覆修正問題與證據的過程。

參考文獻

  1. Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. DOI
  2. Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300. 全文
  3. Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC. 作者網站
Articles 總館↑ Back to top