Porozumění iluzi
Podívejte se: když na grafu vidíte dvě čáry, jak spolu tančí, napadne vás, že jsou to milenci. Omyl. Jsou to jen sousedé, kteří se náhodou potkají v dopravní špičce. Korelace je statistický odraz, nikoli příčinný vztah. Jedna proměnná se pohne, druhá ji následuje, ale nikdo za nitky netahá. To je ten zásadní problém, o který se datoví analytici neustále zakopávají, když honí žhavé tipy ve sportovním sázení. Ten rozdíl je právě tím rozdílem mezi šťastnou sérií a skutečnou výhodou.
Nástroje, které pomáhají se zorientovat
Věc se má takhle: nestačí vám jen bodový graf. Proveďte regresní analýzu s kontrolními proměnnými, zadejte zpožděné proměnné a sledujte koeficienty. Pokud koeficient zůstane zachován i po odstranění rušivých faktorů, možná jste narazili na kauzální vztah. Grangerova kauzalita, instrumentální proměnné a randomizované experimenty jsou těžké zbraně. Jednoduché korelační koeficienty? Ty jsou jako levný dalekohled – něco uvidíte, ale nebudete znát vzdálenost.
A právě v tom spočívá výhoda panelových dat. Díky sledování stejných subjektů v průběhu času můžete izolovat účinek jedné konkrétní intervence, zatímco všechny ostatní proměnné zůstávají neměnné. Představte si to tak, jako byste sledovali v dostihu jednoho koně, nikoli celé pole. Proměnnou se stává délka kroku koně, nikoli jásot davu.
Časté nástrahy a jak se jim vyhnout
První past: post hoc klam. „Po změně počasí jsme zaznamenali nárůst sázek, takže počasí musí být příčinou výher.“ Ne. Počasí i objem sázek reagují na stejný skrytý faktor – rozpis zápasů. Druhá past: ignorování obrácené kauzality. Váš model říká, že „více zranění vede k většímu počtu sázek“, ale možná právě příliv peněz do sázkových kanceláří nutí týmy nechat hráče odpočívat.
Třetí past: matoucí proměnné. Ve sportovní analytice se jako příčinné faktory mohou vydávat morálka týmu, únava z cestování a dokonce i zaujatost rozhodčích. Pokud tyto faktory nezohledníte, přisoudíte příčinnou souvislost pouhé statistické náhodě. Čtvrtou pastí je výběr dat podle vlastních potřeb. Vyberete sezónu, ve které je korelace nejvyšší, a pak z toho vyvodíte pravidlo. To je těžba dat, nikoli objev.
Jedna praktická rada: vždy proveďte placebový test. Zamíchejte závislou proměnnou, spusťte stejný model a zkontrolujte, zda efekt zmizí. Pokud zůstane, pravděpodobně se jedná o šum.
Příklad z praxe: Sázkové kurzy a nálada davu
Představte si, že sledujete kurzy na fotbalový zápas a náladu na fanouškovském fóru. S rostoucí náladou se kurzy snižují. Korelace je zřejmá. K ověření příčinné souvislosti byste potřebovali přirozený experiment – například náhlou zprávu, která změní náladu, ale nekurzy. Nebo byste mohli použít instrumentální proměnnou, jako je náhlá změna vysílacího plánu, která ovlivní návštěvnost fóra, aniž by to mělo vliv na samotnou kvalitu zápasu.
Na webu betpredictiondaily.com najdete desítky případových studií, v nichž se lidé stali obětí iluze korelace a kauzality. Ti dobří oddělí signál od šumu, ti špatní se honí za každou zářivou čarou na grafu. Poučte se z těch prvních.
Praktický závěr
Přestaňte považovat korelační koeficient za proroctví. Změňte přístup: vytvořte model, přidejte kontrolní proměnné, otestujte reverzní kauzalitu a teprve poté zvažte jakoukoli „příčinu“ jako potenciální výhodu. To je jediný způsob, jak proměnit statistický přelud ve skutečnou výhodu.