数据分析中，如何判断是否是因果关系？

本文总结了微信微信官方账号《大数据分析的道与术》:PMCraft1.因果关系错误，夏季冰淇淋销量越好，游泳溺水事件越多。冰淇淋中某些成分对人有影响吗？经过简单的思考，你会发现冰淇淋的销量越高，温度越高，孩子们在河里游泳越多，溺水事件就越多。冰淇淋的销量与溺水有关，而不是因果关系。上面的例子很简单，也很容易识别，但在实际的数据分析中，关联和因果并不那么容易区分。再举一个例子：一家广告公司的分析人员发现，用户的月广告投资越高，流失的可能性就越小，而广告投资较低的用户群体就越容易流失，从而得出结论：“高投资会降低客户流失率，建议销售引导客户在第一个月增加广告投资，从而降低新客户流失率”。实际情况是，新客户的初始投资往往相对较少。看到广告的效果后，他们会逐渐扩大广告预算。高投资的客户流失率很低，因为他们认识到广告的效果，而不是因为他们花了更多的钱。关联性很容易判断。如何判断是否是因果关系？因果符合以下特点:1。两个事件是相关的，也就是说总是同时发生。2.原因在前面，结果在后面。3.如果原因被消除，需要设计相对严格的对比来证明结果也被消除。更多的时候需要靠经验来判断。这个时候要多注意慎重结论。2.不匹配比例:美西战争爆发后，很多美国人不愿意参军，坦诚是因为怕死。针对这种情况，美军做了一份统计报告，说服大家参军:“据可靠统计，美国海军*率为0.9%，而同期纽约市民*率为1.6%”，潜台词非常明显。如果你害怕*，你应该参军，因为在军营里比呆在纽约更安全。乍一看，这个例子看起来很有道理。如果你仔细思考，你会发现阴谋：比较对象不同！如果你仔细看，你会发现美国海军的*名单基本上是健康的年轻人，而纽约公民的*名单大多是老年人、弱者、病人和残疾人。这两个数据显然不适合放在一起。在进行数据比较时，需要选择合适的比较对象，以便更准确地识别和发现结论。在数据分析中，一般选择的比较对象如下：与去年同期或上个季度等历史同期相比。与之前的产品开发预期相比，同行竞争产品的合理预期，如A产品的研发，比预期收入增加10%。同质对照组A/BTest结果的比较3。根据个案的认知，每当说服朋友戒烟时，朋友总会拿出这个笑话：63岁时不抽烟不喝酒–73岁的林彪不抽烟只喝酒。–83岁的周恩来只抽烟不喝酒。–毛泽东抽烟喝酒，93岁–邓小平吃喝嫖赌，103岁–张学良没有坏习惯，一生做好事–23岁时，无论雷锋是否吸烟，一个人都可能在不同的年龄*。根据宏观统计，吸烟者的平均寿命比不吸烟者小5岁，上述案例无法解释问题4。精心挑选的数据维度例：在一所艺术学院，男孩的校服只有裤子风格，女孩有两种款式：裤子和裙子。据统计，75%的女孩选择裙子，25%的女孩选择裤子。今天，当你进入校园时，你可以从远处看到一个穿裤子的学生。他是男孩还是女孩的概率更高？感觉答案是男生概率高，因为所有男生都穿裤子款式，只有25%的女生选择裤子款式。答案是男孩的概率很高，因为所有的男孩都穿裤子，只有25%的女孩选择裤子。这个例子忽略了一个重要的数据：男孩和女孩的数量。如果我告诉你，学校有1000人，900人是女孩，100人是男孩，结果是什么？900*25%=225%的女孩选择裤子。显然，100人选择男孩的裤子。在这种情况下，这个人更容易成为女性。在普通人眼里，经常会有男女各占一半的经验误解。因此，在某些情况下，隐藏一些数据就是撒谎。5.一个冬夜，产品流量下降，经过一些分析，原因：天气太冷，网民不愿意上网，因为手冷，提前上床睡觉，所以流量下降。一个冬夜，产品流量上升，经过一些分析，原因：天气太冷，网民愿意出去，不得不在家上网，所以流量上升。案例背后的信息是：结果可能有很多原因可以解释，“大欺骗”经常引导人们只相信其中一个，整个推理过程没有相应的细节和数据辅助。6.先入为主的偏见不要往下看。这张图的内容是什么？你可能会觉得这张照片太模糊和抽象了，你暂时看不到它是什么。如果你告诉你这是一只斑点狗，很多人会突然意识到它确实是一只斑点狗。这里隐藏着一个重要的心理概念：你会发现你在想什么，你会得到你期望的结果——勃朗宁的概念有一个流行的说法是“人们只会看到他们想看到的东西”。在数据分析中，虽然很难没有任何“先入为主”的观点，但我们仍然需要追求客观分析的态度，并根据数据及时观察和反思，不断纠正自己的观点。

以上就是关于数据分析中，如何判断是否是因果关系？的相关介绍，更多数据分析中，如何判断是否是因果关系？相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对数据分析中，如何判断是否是因果关系？有更深的了解和认识。