張承管理學

相關性-風吹草低見牛羊
前幾天在講授研究方法時
引用了《敕勒歌》中
「風吹草低見牛羊」的句子
來說明在研究時
我們很容易設定出「隨意而不當的假設(hypothesis)」
並且掉到統計「相關性」的迷思裡
話說
夫(氣象學家)、妻(動物學家)二人到墾丁進行研究
夫對落山風的風速進行詳細的量測
妻對墾丁草原上的馬牛數進行詳細的量測
兩人的數據經過分析
得到高度的相關
所以推論
風速與馬牛數之間有正向的關係
亦即風速愈大時，草原上的馬牛數會愈多
許多同學在聽完這個故事時
大多會莞爾一笑
但是在做研究
或是做決策收集資訊時
我們卻很容易掉到這樣的陷阱裡
「風速」與「馬牛數」
兩個變數之間看似「有關」
但事實確是
草原上的馬牛數是固定的
與風速「無關」
另一種相關性的問題則剛好相反
兩個變數之間看似「無關」
但事實上確是「有關」
例如︰在之前的文章中提到過「雀巢即溶咖啡」的案例
當雀巢經過嚴謹的研究
推出「雀巢即溶咖啡」後卻賣不出去
這時我們會直覺地認為
「業績」好壞
一定跟「產品」、「價格」、「促銷」、或是「通路」有關
於是就想辦法改變包裝、降價、多打廣告、或是透過其他通路去賣
結果是
「業績」的好壞
與雀巢即溶咖啡的「使用者形象」有關
兩個變數之間看似「無關」
但事實上確是「有關」
為了要打破「相關性」的迷思
我們可以透過嚴謹的分析
來避免將「無關」誤認為「有關」
(請參考「因果關係」的文章)
我們也可以透過宏觀性的思考
來避免將「有關」誤認為「無關」
(請參考「瞎子摸象」的文章)
在管理學理論與實務中
「相關分析」(Correlation Analysis)
是很常應用到的工具與概念
但在實際應用時
要避免犯了以上的錯誤
加油!
張承

因果關係
在學術上
因果關係指的是
獨立變數(independent variable，IV)引起依變數(dependent variable，DV)的改變
一般來說
獨立變數改變的程度較低
依變數改變的程度較高
例如︰性別、年齡、特質…等較不會改變
通常會用來當成獨立變數
另外
若已知事情發生的順序
則獨立變數先於依變數
例如︰「當水加熱到100度C就會沸騰」
就是很明確的因果關係
在實務上
我們能觀察到相關
但無法觀察到因果
因為因果是須要推論的
(不過因為推論會錯，所以我們要想辦法降低推論的錯誤)
A、B之間因果關係要成立
一般會透過以下方式來證明
1.A、B 之間是否存在可預測的變動狀況(例如︰A增加，B也會增加)
2.A發生在B之前(例如︰A增加，B接著增加)
3.是否可以排除其他影響B的因素(例如︰B增加是受到A的影響，而非C、D、E等其他變數的影響)
在推論因果關係時
我們一般會透過實驗設計來進行
(大家可以回想一下「雀巢即溶咖啡」的文章)
實現設計可以控制獨立變數以外的因素(例如︰C、D、E)
透過隨機分派
我們可以確認A、B 之間是否有因果關係存在
只是在真實的生活裡
情況並非這麼簡單
因為許多法則背後都有前提條件
就像「當水加熱到100度C就會沸騰」這句話
應該改成
「在海平面上，當純水加熱到100度C就會沸騰」
在社會科學中
因為人類行為的複雜性
導致前提條件跟著變的複雜
因此
在推論因果關係時
也變的更加困難
舉例來說
當產能不足時
我們會趕快增加產能
當業績出了問題
我們直覺的反應是多多促銷
這樣的結果容易產生
太著重眼前顯而易見的因果關係
而忽略了背後真正可能的因果關係
(子系統裡的因果，可能並非真正的因果)
例如︰
產能不足的真正原因
可能來自於下游廠商誤判消費者的需求
業績不好的真正原因
可能來自於消費者需求已經悄悄地改變
了解因果關係的推論
有助於我們見樹又見林
加油!
張承

相關性-世界夜間光點與GDP的關係
 
今天在商周上看到一篇文章
楊少強撰寫的「燈火揭露經濟真相」