W większości sytuacji w sektorze prywatnym nie będzie Cię obchodzić związek przyczynowy
W praktyce, pomimo typowego użycia języka, ludzie są znacznie bardziej zainteresowani dobrze zrozumiałym wpływem niż (dobrze zrozumiałym) przyczynowością.
Z akademickiego punktu widzenia bardzo interesująca jest wiedza:
Jeśli zrobię A, z tego powodu wynikiem będzie B.
Ale z praktycznego punktu widzenia, w prawie wszystkich sytuacjach ludzie naprawdę chcą wiedzieć:
Jeśli zrobię A, wynikiem będzie B.
Pewnie możesz być zainteresowany wpływem A, ale to, czy jest to rzeczywiście przyczyna, czy też istnieje ukryta przyczyna, która akurat tworzy tę korelację, zwykle nie jest tak interesująca.
Uwaga na temat ograniczeń
Możesz pomyśleć: ok, ale jeśli nie wiemy, że A powoduje B, to bardzo ryzykowne jest pracować nad tym założeniem.
Jest to w pewnym sensie prawdą, ale w praktyce znowu będziesz się martwić: czy to zadziała, czy są wyjątki?
Aby to zilustrować, możesz zauważyć, że ta sytuacja:
Jeśli zrobię A, w sytuacji X, z powodu A wynikiem będzie B, a z powodu X wynik będzie odchylać się o deltę
Nie jest dużo bardziej pomocny niż ta sytuacja (zakładając, że można równo oszacować wpływ):
Jeśli zrobię A, w sytuacji X wynikiem będzie B, a wynik będzie odchylał się o wartość delta
Prosty przykład: korelacja z przyczyną
- Odp .: Uzupełnij olej silnikowy
- B: Zmniejszone zadziałanie hamulca
- C: Kontrola samochodu
Logika: C zawsze powoduje A i B.
Wynikająca zależność: Jeśli A rośnie, B rośnie, ale nie ma związku przyczynowego między A i B.
Moja uwaga: możesz modelować wpływ A na B. A nie powoduje B, ale model nadal będzie poprawny, a jeśli masz informacje o A, będziesz mieć informacje o B.
Osoba zainteresowana awarią hamulca z informacją o A będzie dbała tylko o znajomość relacji A do B i dba tylko o to, czy relacja jest poprawna, niezależnie od tego, czy relacja ta jest przyczynowa, czy nie.