我们都知道“相关性并不意味着因果关系。“然而，人类的大脑天生就会寻找规律，当我们看到曲线倾斜在一起，数据中出现明显的规律时，我们的大脑就会自动给出规律。”

然而，从统计数据来看，我们仍然无法实现这一飞跃。《虚假相关性》(false)一书的作者Tyler Vigen在自己的网站上对此进行了调侃，还有很多例子比如展示冰淇淋是如何明显地导致许多坏事的，从森林大火到鲨鱼袭击和脊髓灰质炎爆发。

看看这些情节，人们可能会争辩说，我们很可能早就应该禁止冰淇淋了。 而且，实际上，在1940年代的小儿麻痹症例子中，公共卫生专家建议人们停止吃冰淇淋作为“反政治饮食”的一部分。幸运的是，他们最终意识到小儿麻痹症暴发与冰淇淋消费之间的相关性是“完全是由于小儿麻痹症的爆发在夏季最为普遍”。

在统计中，虚假关系或虚假相关性是一种数学关系，其中两个或多个事件或变量相关联，但由于某种偶然的或某些第三个未见因素的存在而因果相关(称为“常见响应”变量”、“混杂因素”或“潜伏变量”)。这样的“潜伏变量”的例子可以是冰淇淋销量与鲨鱼袭击之间的相关性(虽然冰淇淋销量的增长不会导致鲨鱼袭击人们)。但是，这两个数字之间有一个共同的环节，即温度。较高的温度导致更多的人购买冰淇淋以及更多的人去游泳。因此，这个“潜变量”确实是表观相关性的原因。幸运的是，我们已经学会将因果关系与因果关系分开。而且，在炎热的夏日，我们仍然可以享受冰淇淋，而不必担心小儿麻痹症爆发和鲨鱼袭击!

相关性的力量和局限性

有了足够的数据，将会发现计算能力和统计算法的模式。但并不是所有的模式都有意义，因为虚假模式的数量很容易超过有意义的模式。将大数据与算法结合起来，如果能正确地应用于解决问题，将是一个非常有用的工具。然而，没有科学家会认为你可以通过单独处理数据来解决这个问题，无论统计分析是多么强大，您应该始终基于对要解决的问题的基本理解来进行分析。

数据科学是科学的终结吗?

2008年6月，《连线》(Wired)杂志前主编C. Anderson写了一篇颇具煽动性的文章，题为《理论的终结:数据洪流使科学方法过时》(The End of Theory: The Data Makes The Scientific Method Obsolete)。“相关性取代因果关系，即使没有连贯的模型和统一的理论，科学也能进步。”

这种方法的强度和通用性依赖于数据量:数据越多，基于计算发现的相关性的方法就越强大和有效。我们可以简单地把数字输入计算机，让统计算法自动发现有趣的模式和见解。

但是，这种简化的分析方法也存在一些潜在的陷阱，可以通过John Poppelaars在博客上找到的示例很好地说明 ：

假设我们要为某些变量Y创建一个预测模型。例如公司的股价、在线广告的点击率或下周的天气。接下来，我们收集所有可以使用的数据，并将其放入统计过程中，以找到Y的最佳预测模型。常见的过程是首先使用所有变量对模型进行估计，筛选出不重要的变量，然后使用所选的变量子集重新估算模型，然后重复此过程，直到找到重要的模型为止。

但是，Anderson提出的分析方法存在一些严重的缺陷。我选择了一个实例，从0到1的均匀分布中抽取100个样本，为Y创建了一组数据点，所以它是随机噪声。接下来，我通过从0到1之间的均匀分布中抽取100个样本，创建了一组50个解释变量X(I)。因此，所有50个解释变量也是随机噪声。我使用所有的X(I)变量来预测y，估计一个线性回归模型。因为没有任何相关的东西(所有的均布和自变量)，所以期望R²(0)，但实际上不是。结果是0。5。对于基于随机噪声的回归来说还不错!幸运的是，这个模型并不重要。逐步剔除不显著的变量，重新估计模型。重复这个过程，直到找到一个重要的模型。经过几个步骤后，发现一个显著性模型，调整后的R平方为0.4,7个变量的显著性水平至少为99%。再次，我们是在回归随机噪声，它绝对没有关系，但我们仍然找到一个有7个重要参数的显著模型。如果我们只是将数据输入统计算法来寻找模式，就会出现这种情况。