Nilai Biologi Tinggi Berkorelasi dengan Waktu Belajar. Berarti Belajar Lebih Lama Penyebabnya?
Korelasi adalah pola statistik. Causal reasoning bertanya: mekanisme apa yang dapat menghasilkan pola itu, dan desain apa yang mampu membedakannya?
Semakin lama belajar, semakin tinggi nilai. Apakah penyebabnya sudah jelas?
Penelitian menemukan korelasi positif antara waktu belajar dan nilai Biologi. Kesimpulan menggoda: “Belajar lebih lama menyebabkan nilai lebih tinggi.”
Mungkin benar. Tetapi pola korelasi saja belum menunjukkan cerita kausal mana yang menghasilkan data tersebut.
Apa saja cerita yang mungkin?
Gunakan X = waktu belajar dan Y = nilai Biologi. Setidaknya ada tiga struktur sederhana: X memengaruhi Y; karakteristik terkait Y/kemampuan memengaruhi X; atau variabel ketiga Z memengaruhi keduanya.
Tiga mekanisme yang sama-sama mungkin menghasilkan r positif
1 — X → Y
Belajar lebih lama meningkatkan pemahaman dan nilai.
2 — Reverse direction
Mahasiswa yang kuat atau menyukai Biologi memilih belajar lebih lama.
3 — Confounding
Motivasi memengaruhi waktu belajar sekaligus perilaku lain yang meningkatkan nilai.
4 — Kombinasi
Beberapa mekanisme dapat bekerja bersama.
Korelasi mengukur asosiasi, bukan mekanisme penyebab
Koefisien korelasi merangkum kekuatan dan arah hubungan linear. Nilai r = 0,60 tidak berarti “60% perubahan nilai disebabkan waktu belajar.” Dalam regresi linear sederhana, r² berkaitan dengan proporsi variasi yang dijelaskan secara statistik—tetapi itu tetap bukan persentase kausalitas.
Literatur causal inference menekankan reverse causality dan confounding sebagai ancaman interpretasi observasional. Desain, temporality, pengukuran confounder, dan asumsi menentukan seberapa jauh klaim kausal dapat dipertahankan.
Miskonsepsi 1
“Ada korelasi, berarti X menyebabkan Y.”
Miskonsepsi 2
“Kalau hanya korelasi, pasti tidak mungkin ada sebab-akibat.”
Korelasi dapat konsisten dengan hubungan kausal, tetapi korelasi saja tidak mengidentifikasi struktur kausal.
Contoh: penggunaan AI dan nilai akademik
Jika penggunaan AI berkorelasi positif dengan nilai, jangan langsung menulis “AI meningkatkan prestasi.” Pertimbangkan literasi digital, kemampuan awal, intensitas belajar, kualitas prompt, feedback, akses sumber, dan urutan waktunya.
Gunakan 4 pertanyaan kausal
Uji cepat
Jika r = 0,62 dan p < 0,001, apakah boleh menulis “X menyebabkan Y”?
Buka jawaban
Belum. Besarnya korelasi dan p-value tidak menghilangkan reverse causality, confounding, bias pengukuran, atau keterbatasan desain.
Statistik menunjukkan pola; desain membantu menjelaskan ceritanya
Setelah menemukan korelasi, tanyakan: “Cerita kausal apa saja yang mungkin menghasilkan pola ini, dan data/desain apa yang dapat membedakannya?”
Referensi ilmiah
- Cummiskey, K., & Lübke, K. (2022). Causality in statistics and data science education. AStA Wirtschafts- und Sozialstatistisches Archiv, 16, 277–286. DOI
- Zaniletti, I., Larson, D. R., Lewallen, D. G., Berry, D. J., & Maradit Kremers, H. (2023). How to distinguish correlation from causation in orthopaedic research. The Journal of Arthroplasty, 38(4), 634–637. DOI
No comments:
Post a Comment