Arcipelago AreaC

A parità di fattori la spiegazione più semplice è da preferire

Metodo scientifico

Diversamente da quanto accade in molti casi oggigiorno, in questo pamphlet ci atterremo rigorosamente ai dati disponibili. Gli autori credono fermamente nel metodo scientifico, ovvero nel fatto che le conclusioni debbano essere in accordo con i dati sperimentali, osservati secondo una metodologia nota e accettata. Partendo dai medesimi dati chiunque deve poter essere in grado di arrivare alle medesime conclusioni. Solo quello che consegue in maniera stringente dai dati disponibili può essere considerato un'interpretazione di un qualche valore oggettivo.

Troppo spesso sui mass media vengono presentati come dati di fatto accertati cose che sono solo interpretazioni compatibili con i dati. Che un'interpretazione sia compatibile con i dati non significa però affatto che essa sia valida, dato che la stessa cosa può valere contemporaneamente per molte interpretazioni diverse, anche in antitesi fra loro. Perché un'interpretazione dei dati possa essere considerata valida (o la più valida fino a prova contraria) è infatti necessario che essa sia l'unica compatibile con i dati, o, per lo meno, quella che richiede il minor numero di assunzioni aggiuntive indipendenti dai dati (Rasoio di Occam). A questo scopo i ricercatori devono poter individuare condizioni, o previsioni, che possono venire soddisfatte (o verificate) solo nel caso di una o poche delle interpretazioni inizialmente possibili. Successivamente tali condizioni o previsioni vanno testate o verificate (o falsificate, se non si realizzano), così da poter scartare man mano tutte le interpretazioni diverse, fino a che ne rimane una sola, ovvero quella considerata la più corretta.

Il fatto che non basta che un'interpretazione sia compatibile con i dati perché essa sia corretta è molto importante. Come caso portato all'estremo si considerino gli spostamenti delle nuvole e le loro mutazioni di forma. Un'interpretazione perfettamente compatibile con i dati è che sono gli dei a muoverle, per loro piacere e magari per fare dispetto agli uomini. Tale interpretazione richiede però numerose assunzioni del tutto indipendenti dalle osservazioni: come minimo che gli dei esistono, che possono spostarsi nel cielo e che sono invisibili agli uomini. L'interpretazione secondo cui le nuvole si spostano spinte dal vento non richiede invece alcuna assunzione aggiuntiva, ed è perciò sicuramente preferibile.

Un altro frequente errore, caso particolare di quanto detto sopra, è quello di confondere la correlazione statistica fra due fenomeni con il rapporto causa effetto. Se due fenomeni sono in qualche modo correlati, ciò non deve per forza essere prova di un rapporto causa effetto. Può esistere una causa comune, oppure può essere un caso, o meglio la causa comune può essere così lontana da potersi parlare di caso. E, in ogni caso, più in generale, la correlazione non dice nulla sulla direzione del rapporto causa effetto, anche quando esso è presente.

In condizioni naturali il rapporto causa effetto può non venire individuato, oppure si può perfino pensare di poterlo riscontrare anche dove non esiste, perché i fenomeni coinvolti possono avere luogo in maniera continua fino a sovrapporsi. La condizione essenziale secondo cui la causa non precede mai l'effetto viene così a non essere valutabile in maniera sicura.

In presenza di correlazione statistica, anche molto forte fra due fenomeni A e B, possono perciò sussistere i seguenti rapporti, molto diversi, fra i due fenomeni:

  1. A causa B
  2. B causa A
  3. A e B sono intimamente interconnessi, in pratica A e B sono due facce dello stesso fenomeno
  4. A e B non sono causalmente collegati, ma sono entrambi dovuti ad una causa comune
  5. A e B non sono causalmente collegati, e la correlazione è frutto di un caso.

La sola analisi statistica permette unicamente di rilevare la correlazione fra due fenomeni, ma non permette di discernere fra le varie situazioni sopra indicate. Per arrivare a ciò sono necessari esperimenti controllati, in cui i vari fattori coinvolti possono venire modulati dagli sperimentatori in maniera separata e quantitativa, e in cui la sequenza temporale dei fenomeni può venire correttamente valutata.E' questo il motivo per cui gli studi epidemiologici possono fornire sempre solo suggerimenti per indagini future, ma non possono mai venire utilizzati per dimostrare che un dato fattore è effettivamente la causa di un dato fenomeno.

Vediamo un esempio per ognuno dei 5 casi:

  1. Più il vento soffia veloce, più le nuvole si spostano rapidamente
  2. Come 1., cambiando i riferimenti ai due fenomeni coinvolti
  3. Il rapporto fra le varie variabili che compaiono nella legge fondamentale dei gas: PV = nRT
  4. In Estate aumenta il consumo di gelati e il numero di persone che muoiono annegate. Fra le due cose vi è correlazione, ma non un rapporto di causa effetto. Esiste una causa comune per i due fenomeni (le temperature più alte che portano più persone a consumare più gelati e a fare il bagno).
  5. Se si mettono sullo stesso grafico i valori normalizzati del numero medio dei Megapixel dei sensori delle macchine fotografiche digitali negli ultimi 10 anni e quello dei B&B in Italia, si ottiene una correlazione dello 0,998, ovvero praticamente perfetta. Eppure, come è ovvio a chiunque, non può esistere alcun rapporto di causa effetto!

correlazionempb_b.jpg

Molti altri esempi alla pagina These Hilarious Charts Will Show You Exactly Why Correlation Doesn't Mean Causation La problematica della non identità tra correlazione e rapporto causa effetto è spiegata approfonditamente alla pagina di Wikipedia Correlation does not imply causation e in ancora maggior dettaglio, con numerosi esempi tratti dal campo veterinario qui: Il procedimento logico verso la causalità e nelle pagine seguenti.

Ottimi spunti e ed esempi anche qui: La ricerca scientifica