Saker och ting påverkar och influerar varandra. Det är ett grundläggande faktum i en dynamisk värld där situationer ständigt förändras. Världen skulle vara rätt trist om så inte var fallet. Kausalitet, som den här texten tittar närmre på, handlar om att studera samband och hur olika saker påverkar varandra, det vill säga hur orsaker leder till effekter.
Med kausalitet som koncept följer ett par olika antaganden. Det första antagandet och regeln när det kommer till kausalitet är att allting som händer, händer av en anledning. Saker och ting händer nämligen inte av sig själva. Om en boll rullar så gör den det på grund av att någon till exempel har sparkat på den. Om ett äpple faller ner från ett träd så beror det antagligen på att det har blivit för tungt för grenen som äpplet hänger på. För det andra följer effekterna sin orsak på ett förutsägbart och linjärt sätt. Man svänger sitt ben, får kontakt med bollen och därpå rör bollen på sig, i den ordningen och ingen annan.
Vad är kausalitet?
Människor förlitar sig på och använder sig av kausalitet hela tiden för att förstå och förklara vad som händer i deras liv. Man använder också kausalitet för att försöka göra realistiska prognoser och förutsägelser om vad som troligtvis kommer hända i framtiden och vilka effekter man kan vänta sig. Många personer har en tendens att alltid vilja söka efter orsaken till det de upplever, och det är inte ofta man går igenom en hel dag utan att yttra meningar så som ”X orsakade Y” eller ”Y hände på grund av att X hände”. Ett orsakssamband, det vill säga ett bevisat samband mellan en viss orsak och effekt, förklarar situationer, gör det lättare att förbereda sig för framtida situationer och möjliggör därtill att vidta passande åtgärder för att styra framtiden i rätt riktning. Att veta mer om kausalitet och hur det fungerar kan vara bra för alla, inom såväl forskning, business och privatlivet och ens vardag.
Kausalitet förväxlas ibland med korrelation. Att det finns en korrelation mellan två faktorer innebär att det finns ett samband men det visar inte vad som är orsak och vad som är effekt. Bara för att det finns en korrelation så innebär det således inte att det går att dra någon slutsats om att en särskild variabel påverkar en annan variabel. Relationen mellan de två variablerna kan vara tillfällig eller vara ett sammanträffande, eller så kan en tredje faktor ligga bakom båda variablernas förändringar.
För att förstå det här lite bättre kan man ta följande exempel. Adam samlade in data på försäljningen av glass och fläktar i sin hemstad. Genom att undersöka sin data kunde han se att när försäljningen av glass var låg så tenderade även försäljningen av fläktar vara låg, och när glassförsäljningen ökade så ökade också försäljningen av fläktar. Därmed kunde Adam dra slutsatsen att det fanns en positiv korrelation mellan försäljningen av glass och försäljningen av fläktar. Vad Adam dock inte kunde dra någon slutsats kring var kausaliteten, det vill säga att den ökande försäljningen av glass orsakade en ökande försäljning av fläktar. Det är sannolikt att den ökande försäljningen av både glass och fläktar orsakades av en tredje faktor, nämligen en stigande temperatur och soligare väder.
Mer om skillnaden mellan kausalitet och korrelation
Medan kausalitet och korrelation kan existera på samma gång så innebär korrelation inte per automatik kausalitet. Kausalitet gäller uttryckligen enbart för fall där åtgärd X orsaker utfall Y. Korrelationen innebär helt enkelt bara ett förhållande. Åtgärd X är relaterad till åtgärd Y, men den ena orsakar inte nödvändigtvis att den andra händelsen ska ske. Det händer ofta att man blandar ihop kausalitet med korrelation just på grund av att den mänskliga hjärnan tycker så mycket om att hitta mönster, även när dessa faktiskt inte existerar. Ibland händer det till och med att man fabricerar mönster när två stycken variabler verkar vara så nära sammankopplade eller relaterade att den ena borde bero på den andra. Det skulle innebära ett orsakssamband där en beroende variabel sker som ett resultat av en oberoende variabel.
Det är viktigt att komma ihåg att man inte kan anta att det finns ett orsakssamband, kausalitet, bara för att man ser vissa specifika händelser sker, till synes i relation till varandra. Den här observationen kan som sagt vara ett sammanträffande och dessutom finns det så många andra möjligheter som kan förklara det som hänt, inklusive:
- Den raka motsatsen kan vara sann, det vill säga att det i själva verket var Y som orsakade X.
- X och Y är korrelerade men båda orsakades av Z.
- Det finns en annan variabel involverad, nämligen att X orsakade Y men bara för att Z hände.
- Det rör sig om en kedjereaktion, nämligen att X orsakade Z vilket ledde till att Z orsakade Y (men själv kunde man bara se att X orsakade Y).
Att testa för kausalitet i sin produkt
Ett område där kausalitet kan vara särskilt användbart är inom business, och framför allt inom tillverkning och försäljning. Det kan till exempel vara så att man förväntar sig kausalitet i sin produkt, där specifika handlingar eller beteenden från användarnas eller kundernas sida resulterar i ett särskilt utfall.
Kausalitet och orsakssamband sker som sagt inte slumpmässigt av sig själv. Det kan kännas lockande att se på två olika variabler som orsaks- och sambandsvariabler, men att göra det utan att bekräfta kausaliteten genom en robust analys kan leda till ett falskt orsakssamband. Det innebär att man tror att kausalitet mellan två variabler existerar men att det i själva verket inte gör det. Det kan ske om man inte noggrant undersöker relationen mellan en beroende och en oberoende variabel.
Ett falskt orsakssamband kan vara problematiskt när man försöker lära sig mer om en produkt och få mer insikt, eftersom det kan vilseleda en till att tro att man förstår kopplingen mellan viktiga resultat och kundernas beteende. Det kan till exempel bli så att man tror att man vet vad de viktigaste aktiviteterna är för att behålla sina kunder i det långa loppet. Men om man inte har testat denna relationen ordentligt så finns det en överhängande risk för att man baserat viktiga affärsbeslut för produkten på fel kundbeteende.
Avgöra kausalitet
Är choklad bra för hälsan? Vad orsakar cancer? Har dödsstraff en avskräckande effekt? Samtliga av dessa frågor försöker tilldela en effekt sin orsak. En noggrann undersökning av den data som man har tillgänglig kan hjälpa till att belysa frågor som dessa.
Observation är en grundläggande aspekt av bra efterforskning. En observationsstudie är en slags studie där forskare drar slutsatser baserat på data som de har observerat och där de inte har gjort något för att påverka resultatet. Inom beteendevetenskap involverar många studier observationer på en grupp individer, en faktor eller variabel av intresse som ofta kallas för en behandling och ett resultat som mäts för varje individ.
Det är lättast om man tänker på dessa individer som personer. I en studie där man undersöker om chockad är bra för hälsan skulle individerna definitivt vara personer, behandlingen skulle utgöras av att äta choklad och resultatet kan vara ett mått på hjärt- och kärlsjukdomar. Individerna i en observationsstudie måste dock inte vara personer. I en studie där man undersöker om dödsstraff har en avskräckande effekt skulle individerna istället kunna utgöras av USAs delstater. En delstatslag som tillåter dödsstraff skulle vara behandlingen, och resultatet som mäts skulle då vara delstaternas mordfrekvens.
Den grundläggande frågan är som sagt om behandlingen i fråga har en effekt på resultatet. Vilken eventuell relation som helst mellan behandlingen och resultatet kallas för en association, eller positiv eller negativ korrelation. Om behandlingen gör så att resultatet inträffar innebär det att korrelationen också har ett orsakssamband, det vill säga kausalitet. Kausalitet är en central aspekt hos alla de tre frågor som ställdes i början av det här avsnittet. Till exempel var en av frågorna om choklad direkt orsakar en förbättrad hälsa, inte bara om det finns ett förhållande mellan choklad och hälsa.
Experiment för att fastställa kausalitet
När man har fastställt att det finns en korrelation, vare sig den är positiv eller negativ, mellan två olika variabler så kan man testa för kausalitet. Det gör man genom noggranna experiment, där man kontrollerar alla andra variabler och faktorer och mäter ett resultat och skillnad som uppstår. Ett vanligt sätt för att fastställa kausalitet för exempelvis en produkt är test av hypotes.
Det mest grundläggande hypotes-testet inkluderar en så kallad nollhypotes (H0) och en primär hypotes (H1). Man kan också göra tester där man inkluderar sekundära och tertiära hypoteser, eller ännu fler hypoteser. Nollhypotesen består av raka motsatsen till ens primära hypotes. Det beror på att medan man inte kan bevisa eller fastställa att den primära hypotesen stämmer med 100%, så kan man förkasta nollhypotesen. Den innebär i praktiken att man motbevisar nollhypotesen, vilket är det närmsta man kan komma för att så gott det går bekräfta sin primära hypotes. Den primära hypotesen pekar på den kausalitet som man vill undersöka och bör identifiera en oberoende variabel och beroende variabel.
Det är bäst att först komma fram till och formulera sin primära hypotes, varpå man sedan identifierar dess raka motsatsförhållande, och sedan använder det för nollhypotesen. Ens primära hypotes bör identifiera den relation man förväntar sig mellan den oberoende och den beroende variabeln.
Om man använder sig av ett exempel där ett företag undersöker effekten av nya sociala funktioner i sin mobilapp på hur bra de lyckas behålla sina kunder, så skulle den oberoende variabeln vara användningen av de nya sociala funktionerna och den oberoende variabeln skulle vara kundretentionen (behållningen av kunderna). I det här fallet skulle ens hypoteser kunna se ut så här:
- H1: Om en kund använder den nya sociala funktionen inuti appen inom den första månaden så kommer de att fortsätta vara kund i mer än ett år.
- Eftersom H0 är raka motsatsen till H1 så kan den till exempel formuleras så enkelt som så här: Det finns inget samband mellan att använda appens nya sociala funktioner och kundretentionen.
Målet här är att ta reda på om det finns en faktisk skillnad mellan de två olika hypoteserna, när det kommer till det resultat man mäter genom sina observationer. Om man kan förkasta sin nollhypotes med en statistisk signifikans så innebär det att man kommer närmre att förstå relationen mellan sin oberoende och sin beroende variabel. Om man ser till exemplet ovan så kan man förkasta sin nollhypotes ifall resultatet av undersökningen visar på att kundernas användning av de nya funktionerna ledde till att de stannade kvar som kunder hos företaget. Då kan man sannolikt dra slutsatsen att det finns något slags samband mellan de två variablerna. Man måste såklart samtidigt kontrollera andra faktorer och variabler som annars hade kunnat påverka resultatet.
Att testa hypoteser kan vara särskilt hjälpsamt när man försöker identifiera om det faktiskt finns ett samband mellan två variabler eller ej. Man kan vilja titta på historiska data för att på så sätt kunna göra en longitudinell analys, som tittar på förändringar över tid. Då kan man till exempel ta reda på vilka kunder som är de viktigaste, förstå olika beteendemönster bättre samt jämföra olika relationer och samband med varandra.
Research i kausalitet
Forskning inom kausalitet kan som sagt hjälpa en att uppnå följande två saker:
- Att förstå vilka variabler som är orsaker och vilka variabler som är effekter
- Avgöra hur relationen ser ut mellan de variabler som det finns ett samband mellan och den förutspådda effekten
Det är dessa två målsättningar som gör forskning inom kausalitet något mer robust än vad utforskande och beskrivande forskning är. För att kunna uppnå de två målsättningarna så måste forskaren isolera de variabler som ingår i analysen för att sedan kunna mäta deras signifikans. Med den informationen kan ett företag sedan ta faktabaserade beslut om huruvida det till exempel är värt resurserna att använda en viss variabel. Det kan exempelvis handla om att lägga resurser på en variabel så som att öka antalet vägskyltar, eller ta bort en variabel så som trafikilska.
Implementera forskning om kausalitet så effektivt som möjligt
När det kommer till den här sortens forskning så är det väldigt viktigt att man är noggrann och att man är strikt och specifik när det gäller ens variabler, metoder och målsättningar. Utan en tydlig förståelse för den egna forskningsplanen och för vad det är man försöker bevisa så kan ens resultat i slutändan bli opålitliga och svåra att tyda. När man har sin plan redo med dess målsättningar formulerade är det dags att sätta igång med experimentet. Här följer beskrivningar av tre stycken saker man bör ha koll på innan man startar:
- Orsak- och effektförhållandet kommer att antingen bevisas eller motbevisas av experimentet. Det kan verka som en självklarhet, men om man inte ser till så att ens forskningsplan är direkt kopplad till ens forskningsmål så kommer slutresultatet av ens studie inte vara till någon nytta.
- Man identifierar tydligt vilken eller vilka variabler som testas som oberoende (det vill säga de variabler som orsakar en effekt) och vilken eller vilka variabler man testat som beroende (effekten). Det kan ibland vara svårt att avgöra vilken variabel som är beroende av den andra. På grund av det är det väldigt viktigt att man i förväg innan själva experimentet bestämmer vilken variabel som ska testas som vad. Vanligtvis är den oberoende variabeln det som man tillför situationen eller experimentet. Till exempel kan man ställa hypotesen att ett ökat antal färgalternativ för bilar kommer att öka bilföretagets försäljning. I det här fallet är antalet färgalternativ den oberoende variabeln och försäljningsnivån är den beroende variabeln. Nästa steg skulle vara att mäta företagets normala försäljningsgrad i bilaffären och sedan lägga till ett bredare urval av bilfärger. Efter att ha samlat in de nya försäljningstalen jämför man de två dataseten och studerar effekten på försäljningen.
- Man måste kunna säkerställa att det inte finns några externa variabler som också kan orsaka förändringar av ens resultat. Utan att ta alla möjliga faktorer som kan påverka förändringar i den beroende variabeln i beaktning kan man inte vara säker på att den variabel som testas verkligen är ansvarig för att orsaka de effekter man mäter. I en laboratoriemiljö har forskare lyxen att kunna skapa en helt neutral miljö. I alla andra miljöer och situationer måste man hantera den miljö man befinner sig i. Då är det viktigaste när man skapar sin forskningsplan att säkerställa att experimentet inträffar under de förhållanden som är som mest lika som när man mätte de normala resultaten.
Slutsats
Kausalitet innebär att en särskild händelse orsaker att en annan händelse sker. I realiteten går det bara att fastställa kausalitet och orsakssamband med hjälp av ett experiment som är designat på ett lämpligt sätt. Ett sådant experiment kan till exempel gå till på så sätt att likartade testgrupper får olika behandlingar och sedan studeras resultaten för varje enskild grupp. Det går bara att dra slutsatser om att en viss behandling har orakat en viss effekt om grupperna uppvisar märkbart olika resultat.