Correlation เทียบกับ Causation ในการเงิน
แยก statistical association ออกจาก causal effects รวมถึง confounding, reverse causality, selection, interventions, Granger causality, nonstationarity, spurious regression และการออกแบบงานวิจัยทางการเงิน
คำตอบโดยตรง
Correlation อธิบายการเคลื่อนไหวร่วมทางสถิติระหว่างตัวแปรภายใต้ sample และ transformation ที่กำหนด ส่วน causation ถามว่าผลลัพธ์จะเปลี่ยนอย่างไรภายใต้ intervention หรือ counterfactual change ในอีกตัวแปรหนึ่ง Correlation อาจเกิดจาก causal effect แต่ก็อาจเกิดจาก common causes, reverse direction, selection, trends, measurement หรือ chance ได้ Association เพียงอย่างเดียวไม่ระบุว่าคำอธิบายใดเป็นจริง
Correlation เป็นคุณสมบัติของ distribution
Pearson correlation ทำให้ covariance เป็นมาตรฐานและวัด linear association ส่วน rank correlations วัดการเรียงลำดับแบบ monotone ภายใต้ข้อสมมติที่ต่างกัน
ค่าของมันขึ้นกับ population, window, frequency, transformation, outliers, missingness และ conditioning variables
Correlation เป็นศูนย์ไม่ได้แปลว่า independence ยกเว้นใน families พิเศษ ขณะที่ความสัมพันธ์แบบ nonlinear อาจแข็งแรงแม้ Pearson correlation ใกล้ศูนย์
Causation ต้องมี target intervention
คำถามเชิงสาเหตุต้องระบุ treatment หรือ action, outcome, population, timing และการเปรียบเทียบระหว่าง potential states
ผลของการขึ้นอัตราดอกเบี้ยต่างจาก association ระหว่างอัตราดอกเบี้ยที่สังเกตได้กับผลตอบแทน เพราะนโยบายตอบสนองต่อข้อมูลเกี่ยวกับเศรษฐกิจ
Causal identification ต้องมีข้อสมมติหรือการออกแบบที่เชื่อม observed distributions เข้ากับการเปรียบเทียบ counterfactual ที่สังเกตไม่ได้
Confounding และ selection สร้างคำอธิบายทางเลือก
Common cause อาจขับเคลื่อนตัวแปรทั้งสอง reverse causality อาจทำให้ผลลัพธ์ส่งผลต่อตัวแปรที่เสนอว่าเป็นสาเหตุ และ feedback อาจทำงานสองทิศทาง
การ condition บน common effect อาจสร้าง collider bias ขณะที่ survivorship และ publication filters อาจทำให้เกิด association ใน sample ที่ถูกเลือก
การเพิ่ม controls ไม่ได้ปลอดภัยกว่าโดยอัตโนมัติ: การควบคุม mediators, colliders, noisy proxies หรือ post-treatment variables อาจเพิ่ม bias
Granger causality คือ predictive precedence
X Granger-causes Y เมื่ออดีตของ X ช่วยปรับปรุงการพยากรณ์ Y เหนือ information set และ model ที่เลือกสำหรับอดีตของ Y
นี่คือการทดสอบ incremental predictive content ไม่ใช่หลักฐานว่าการแทรกแซง X จะเปลี่ยน Y ผ่าน structural mechanism
Omitted variables, common news, aggregation, lag choice, nonstationarity และ changing regimes อาจสร้างหรือลบผล Granger-causal
Time trends อาจสร้าง association ขึ้นมา
Series ที่ persistent และเป็นอิสระกันอาจมี R² สูงและ regression ที่ดูมีนัยสำคัญ เพราะ stochastic trends เคลื่อนไหวไปด้วยกันใน sample เดียว
การ detrend หรือ differencing เปลี่ยนคำถามและอาจลบข้อมูลระยะยาว ดังนั้นต้องตามหลังโมเดลของ series ไม่ใช่การแก้ด้วยภาพ
ควรวินิจฉัย stationarity, unit roots, structural breaks และ cointegration ก่อนตีความ time-series correlation หรือ regression
กลไกทางการเงินต้องมีการออกแบบที่น่าเชื่อถือ
Randomized experiments พบได้ยากสำหรับ exposures ระดับตลาด แต่ natural experiments, discontinuities, instruments, panels และ event designs ช่วยได้
การออกแบบแต่ละแบบต้องมีข้อสมมติของตัวเองเกี่ยวกับ anticipation, exclusion, parallel trends, interference, timing และ stable measurement
Event study วัดความเคลื่อนไหวผิดปกติรอบวันที่กำหนด หากไม่มี valid counterfactual และ timing ที่สะอาด ก็ไม่ได้ระบุ effect ของ event โดยอัตโนมัติ
หลักฐานควรแยก description ออกจาก intervention
รายงาน associations แบบดิบและแบบมีเงื่อนไข transformations, windows, กฎข้อมูลที่หายไป stability และ causal diagrams หรือ mechanisms ทางเลือก
ระบุ estimand และ identification assumptions จากนั้นทำ falsification, placebo, pretrend, sensitivity และ out-of-sample checks ที่เหมาะกับการออกแบบ
ใช้ภาษาสาเหตุเท่าที่การออกแบบสนับสนุน Prediction มีคุณค่าได้โดยไม่อ้างว่า intervention จะสร้างความสัมพันธ์เดิมซ้ำ
คำถามที่พบบ่อย
Correlation สูงหมายความว่าสินทรัพย์หนึ่งทำให้อีกสินทรัพย์เคลื่อนไหวหรือไม่?
ไม่ใช่ แสดง association ที่แข็งแรงในข้อมูลที่เลือก และอาจสะท้อน common factors, feedback, trends, selection หรือ chance
Granger causality คืออะไร?
คือความสามารถของค่าในอดีตของ series หนึ่งในการปรับปรุงการพยากรณ์อีก series หนึ่ง เหนือ information set และ model ที่ระบุ
Regression พิสูจน์ causation ได้หรือไม่?
ไม่ได้ด้วยตัวเอง การตีความเชิงสาเหตุต้องมีการออกแบบหรือข้อสมมติที่ปกป้องได้เพื่อระบุ counterfactual effect ที่เกี่ยวข้อง
เหตุใด financial correlations จึงเปลี่ยนเร็วได้?
Exposures, volatility, liquidity, policy, participants, measurement และ market regimes ล้วนเปลี่ยน joint distribution ได้