Cymharu Cydberthyniad ac Achosiad

Mae'r gweithgaredd hwn wedi'i gynllunio i helpu dysgwyr i ddeall beth yw ystyr cydberthyniad ac achosiad.

Byddwn yn dechrau gyda rhai diffiniadau cyffredinol, defnydd ac enghreifftiau. Yna byddwn yn edrych ar sut mae un yn gallu bodoli heb y llall.

Cliciwch ar y botwm 'Nesaf' isod i gychwyn.

Diffiniadau

Cydberthyniad - pan fydd dwy set o ddata yn rhannu patrwm.

Mae'r gallu gan gydberthyniad i fod naill ai'n gadarnhaol (mae'r ddwy set ddata yn symud gyda'i gilydd) neu'n negyddol (mae'r ddwy set ddata yn symud i gyfeiriadau cyferbyniol).

Cydberthyniad cadarnhaol:

Pan fydd y ddau newidyn neu set ddata yn cynyddu neu'n gostwng gyda'i gilydd.

Mae cydberthyniad/patrwm y data sy'n cynyddu/gostwng gyda'i gilydd ac yn aros yn lefel gyda'i gilydd yn bodoli hyd yn oed pan fydd gwerthoedd uwch gan un set ddata na'r llall, fel sy'n cael ei ddangos yma:

Cydberthyniad negyddol:

Mae un newidyn yn cynyddu pan fydd y llall yn gostwng.

Mae cydberthyniad/patrwm y data sy'n symud i gyfeiriadau cyferbyniol ac yn aros yn lefel gyda'i gilydd yn bodoli hyd yn oed pan fydd gwerthoedd uwch gan un set ddata na'r llall, fel sy'n cael ei ddangos yma:

Mae'r enghreifftiau hyd yn hyn yn defnyddio dwy set ddata wahanol gyda newidyn annibynnol cyffredin. Fodd bynnag, mae cydberthyniad hefyd yn berthnasol i setiau data unigol:

Cydberthyniad cadarnhaol

Mae gwerth echelin y yn codi wrth i werth echelin x gynyddu.

Cydberthyniad negyddol

Mae gwerth echelin y yn gostwng wrth i werth echelin x gynyddu.

Mae'r uchod i gyd yn enghreifftiau perffaith o gydberthyniad. Mae'n anarferol iawn gweld canlyniadau mor daclus gyda data go iawn, yn bennaf oherwydd bod llawer o newidynnau eraill ar waith.

Achosiad - Pan fydd un newidyn yn achosi newid mewn newidyn arall.

Er mwyn pennu achosiad, mae angen i ni wybod beth yw'r ddwy set ddata ac a oes cysylltiad rhyngddyn nhw, gydag un newidyn yn effeithio ar un arall.

Enghraifft 1

Set ddata 1: Pa mor wlyb yw cath pan ddaw i mewn
Set ddata 2: Faint o law sydd yna.

Mae'r glaw yn achosi i'r gath fod yn wlyb.

Enghraifft 2

Set ddata 1: Cyflog am waith â thâl fesul awr
Set ddata 2: Nifer yr oriau gwaith

Mae nifer yr oriau yn achosi'r newid i'r cyflog.

Enghraifft 3

Set ddata 1: Synau pwnio sy'n cael eu clywed mewn gofod
Set ddata 2: Pan fydd pêl yn bownsio oddi ar wal yn yr un gofod.

Mae'r bêl yn bownsio oddi ar y wal yn achosi'r synau pwnio.

Mae'n bwysig cofio nad yw'r enghreifftiau hyn yn ystyried ffactorau a/neu newidynnau eraill. Er enghraifft, wrth edrych ar wlypter cath a'r glaw y tu allan, rydyn ni'n anwybyddu senarios eraill posib lle gallai'r gath fod wedi gwlychu, fel syrthio i mewn i bwll. Byddai'r rhain yn achosi canlyniadau 'anarferol' o fewn y data.

Cydberthyniad heb achosiad

Pan fydd cydberthyniad yn digwydd mewn un neu fwy o setiau data, nid yw hynny o reidrwydd yn golygu bod achosiad yn bresennol. Edrychwch ar y gymhariaeth isod i weld enghreifftiau o gydberthyniad gyda a heb achosiad.

Cydberthyniad gydag Achosiad

Mae cydberthyniad cadarnhaol rhwng y glaw a gwlypter y gath, gan fod glaw yn achosi i gathod wlychu.

Mae'r canlyniadau anarferol neu'r allanolion yn dangos bod ffactorau eraill posib ar waith - fel pwll gardd neu borth cysgodol.

Cydberthyniad yn unig

Mae cydberthyniad cadarnhaol rhwng gwlypter cathod a nifer yr ymbarelau sy'n cael eu defnyddio.

Nid oes unrhyw achosiad, gan nad yw cathod gwlyb yn achosi gorfod defnyddio ymbarél, ac nid yw'r defnydd o ymbarél yn achosi cathod gwlyb.

Mae hon yn enghraifft o sut mae cydberthyniad yn bodoli oherwydd ffactor arall nad yw'n cael ei gynnwys - yn yr achos hwn, glaw (sef yr achos gwirioneddol).

Cydberthyniad sy'n esgor ar gamwybodaeth

Mae cydberthyniad sy'n digwydd yn sgil newidyn coll (fel glaw yn yr enghraifft uchod o wlypter cathod ac ymbarelau) yn gallu creu problemau a chamwybodaeth.

Enghreifftiau

1. Canfuwyd cydberthyniad cadarnhaol yn y 1950au rhwng achosion newydd o polio (feirws) a gwerthiant diodydd meddal. Arweiniodd hyn at ofnau bod diodydd meddal yn achosi polio neu eu bod yn ei ledaenu mewn rhyw ffordd. Y newidyn coll oedd tymheredd. Po uchaf oedd y tymheredd, y cyflymaf y gallai'r feirws ledaenu, a'r mwyaf y byddai pobl yn yfed.

2. Yn ystod yr Ail Ryfel Byd, wrth i fwy o filwyr wisgo helmedau, gwelwyd cynnydd yn nifer y clwyfau pen - cydberthyniad cadarnhaol. Yn y lle cyntaf, arweiniodd hyn i ymchwilwyr ystyried bod yr helmedau yn achosi anafiadau. Y gwir oedd bod mwy o filwyr yn goroesi ac yn rhoi gwybod am glwyfau pen yn hytrach na chael eu lladd yn syth.

3. Oherwydd cydberthyniad cadarnhaol rhwng gwerthiant hufen iâ a chyfraddau boddi, y ddadl hanesyddol oedd bod bwyta hufen iâ yn cynyddu'r risg o foddi. Dechreuodd rhai llefydd ymateb i'r wybodaeth hon a cheisio cyfyngu ar werthiant hufen iâ, yn hytrach na gwella gwasanaethau achub bywyd. Ond y gwir oedd eu bod nhw wedi anwybyddu newidyn, sef tymheredd. Roedd nifer y bobl yn nofio (ac felly mewn perygl o foddi) a gwerthiant hufen iâ yn cynyddu mewn tywydd poethach.

Cydberthyniad cyd-ddigwyddol

Gyda chymaint o ddata yn cael ei gasglu yn y byd, ar draws pob math o feysydd, mae'n hawdd dod o hyd i gydberthyniad rhwng setiau data sydd heb unrhyw fath o gysylltiad.

Enghraifft: Sut mae defnydd margarîn yn yr Unol Daleithiau yn cydberthyn â'r gyfradd ysgaru yn nhalaith Maine dros yr un cyfnod.

Daw'r data yn y graff hwn gan Adran Amaethyddiaeth yr Unol Daleithiau ac ystadegau bywyd cenedlaethol y CDC.

Enghraifft: Sut mae nifer y bobl sy'n gweithio fel cogyddion bwyd cyflym yng Ngorllewin Virginia yn cydberthyn â gwerth stoc Tesla yn ystod yr un cyfnod.

Daw'r data yn y graff hwn o'r Bureau of Labor Statistics a LSEG Analytics.

Enghraifft: Sut mae faint o gaws Cheddar sy'n cael ei fwyta yn cydberthyn â'r ynni solar sy'n cael ei gynhyrchu yn Haiti yn ystod yr un cyfnod.

Daw'r data yn y graff hwn gan yr USDA a'r Energy Information Administration.

Ym mhob un o'r enghreifftiau uchod, nid oes unrhyw achosiad (uniongyrchol neu anuniongyrchol) yn bodoli. Yn syml ddigon, maen nhw'n enghreifftiau o gydberthyniad cyd-ddigwyddol sy'n cael eu hybu gan y dewis o raddfeydd echelin.

Am fwy o enghreifftiau o gydberthyniad ar hap a rhai esboniadau hwyliog wedi'u cynhyrchu gan AI, ewch i ffynhonnell ein henghreifftiau ni, TylerVigen.com.

Exercise

Extension

Cymraeg

Correlation vs Causation

This activity is designed to help learners understand what is meant by correlation and causation.

We shall start with some general definitions, usage, and examples. Then we shall look at how one can exist without the other.

Click on the next button below to get started.

Definitions

Correlation - When two sets of data share a pattern.

Correlation can be either positive (both data sets move together) or negative (both data sets move in opposite directions).

Positive Correlation:

When both variables or datasets increase or decrease together.

The correlation/pattern of the data going up/down together and staying level together also exists even when one data set is of higher values than the other, as demonstrated here:

Negative Correlation:

One variable increases when the other decreases.

The correlation/pattern of the data going in opposite directions and staying level together also exists even when one data set is of higher values than the other, as demonstrated here:

The examples so far are using two different datasets with a shared independent variable. However, correlation also applies to single datasets:

Positive Correlation

The y-axis value goes up as the x-axis value increases.

Negative Correlation

The y-axis value goes down as the x-axis value increases.

All the above are perfect examples of correlation. It is very unusual to see such clean results in real-world data, mainly because there are lots of other variables involved.

Causation - When one variable is causing the change in another.

To determine causation, we need to know what the two data sets are and whether they are linked together with one variable affecting another.

Example 1

Dataset 1: How wet a cat is when it comes inside
Dataset 2: How much rain there is.

The rain causes the cat to be wet.

Example 2

Dataset 1: Paycheck for hourly paid work
Dataset 2: The number of hours worked

The number of hours causes the change in pay check.

Example 3

Dataset 1: Thump sounds detected in a space
Dataset 2: When a ball bounces off a wall in the same space.

The ball bouncing off the wall causes the thump sounds.

Please be aware that these examples do not take other factors and/or variables into account. For example, when looking at the wetness of a cat and the rainfall outside we are ignoring other scenarios for when a cat gets wet, such as falling into a pond. These would cause 'anomalous' results within the data.

Correlation without causation

When we have a correlation in one or more datasets it does not automatically mean there is causation. See the comparison below for examples of correlation with and without causation.

Correlation with Causation

There is a positive correlation of rainfall and cat wetness as rain causes the cats to be wet.

The anomalous results or outliers indicate that there may be other factors in play - such as a garden pond, or a sheltered porch.

Just Correlation

There is a positive correlation between cat wetness and the number of umbrellas being used.

There is no causation as wet cats do not cause the use of umbrellas and the use of umbrellas do not cause wet cats.

This is an example of how correlation exists beacuse of another factor not included - in this case rainfall (the actual cause).

Misinformation caused by correlation

Correlations caused by a missing variable (such as rainfall in the above example of cat wetness and umbrellas) can create problems and misinformation.

Examples

1. A positive correlation was detected in the 1950s between new cases of Polio (a virus) and the sales of soft drinks. This led to fears that soft drinks caused Polio or were somehow spreading it. The missing variable was temperature. The hotter the temperature the faster the virus could spread and the more people drank.

2. During World War II, it was discovered that as more soldiers wore helmets, the number of head wounds increased - a positive correlation. This led to investigators to initially consider that the helmets were causing injuries. The truth was that more soldiers were surviving to report head wounds rather than being killed outright.

3. Due to a positive correlation between ice-cream sales and drowning rates, it was historically argued that eating ice cream increased your risk of drowning. Some places acted on this information and tried to curb ice-cream sales rather than improve lifeguarding services. In truth, they'd missed the variable of temperature. Both the number of people swimming (therefore at risk of drowning) and ice-cream sales increased in hotter weather.

Coincidental correlations

With so much collected data in the world, across everything you can think of, correlations can easily be found between completely unrelated datasets.

Example: How the consumption of margarine in the US correlates with the divorce rate in the state of Maine over the same period.

The data in this graph comes from the US Department of Agriculture and the CDC National Vital Statistics.

Example: How the number of people working as fast-food cooks in West Virginia correlates with Tesla's stock value over the same period.

The data in this graph comes from the Bureau of Labor Statistics and LSEG Analytics.

Example: How Cheddar cheese consumption correlates with the solar power generated in Haiti during the same period.

The data in this graph comes from the USDA and the Energy Information Administration.

In all the above, there is no causation (direct or indirect) present, they are simply coincidental correlations assisted by chosen axis scales.

For more random correlations and some fun AI generated explanations, visit TylerVigen.com where we sourced our examples.