ویرگول
ورودثبت نام
محمدحسن شیری
محمدحسن شیریhasanshiri.online
محمدحسن شیری
محمدحسن شیری
خواندن ۷ دقیقه·۳ ماه پیش

نقشهٔ زنجیرها: از همبستگی تا رهایی

همه‌ی ما این جمله را شنیده‌ایم: «همبستگی، دلیل بر علیت نیست.» این یک هشدار ساده است در برابر این فرض که صرفاً چون دو چیز با هم اتفاق می‌افتند، پس حتماً یکی علت دیگری است. اما فراتر از این هشدار ساده، مجموعه‌ای عمیق از ابزارها نهفته است—یک زبان دقیق از نمودارها، ریاضیات و منطق که به ما اجازه می‌دهد از دیدن یک الگو فراتر رفته و به درک واقعی سازوکار پشت آن برسیم. این، علم استنتاج علّی است و کاربرد آن بسیار فراتر از مطالعات آکادمیک است. این علم، نقشه‌ی راهی برای هر سیستم پیچیده، از روان انسان گرفته تا بازارهای جهانی، به ما ارائه می‌دهد.


خطای دید: چرا چشم‌هایمان فریبمان می‌دهند

اول، باید بفهمیم همبستگی چیست. در ساده‌ترین حالت، یک ارتباط مشاهده‌شده است. فردی که با عزت نفس پایین زندگی می‌کند، یک احتمال شرطی بالا را می‌بیند: احتمال احساس بی‌ارزشی بالاست، به شرطی که خاطره‌ای از سرزنش حاضر باشد. از نظر ریاضی، این‌گونه بیان می‌شود:

این مشاهده، مثل یک حقیقت به نظر می‌رسد. به طور رسمی‌تر، آماردانان ممکن است رابطه‌ی خطی بین دو متغیر را با ضریب همبستگی پیرسون (r) کمی‌سازی کنند؛ فرمولی که به زیبایی «چه چیزی» را توصیف می‌کند، اما در مورد «چرا» ساکت است. یک مثال کلاسیک، همبستگی مثبت قوی بین فروش بستنی و غرق شدن در دریاست. داده‌ها یک الگوی واضح را نشان می‌دهند، اما متغیر مخدوش‌کننده‌ی واضح—هوای گرم—عامل هر دوی آن‌هاست. این مثال ساده یک حقیقت بنیادی را آشکار می‌کند: دنیایی که ما مشاهده می‌کنیم، تاری از تأثیرات به هم پیوسته است و نگاه کردن تنها به دو نقطه در این تار می‌تواند به طرز خطرناکی گمراه‌کننده باشد.


زبانی جدید برای «چرا»: چارچوب‌های علیت

برای باز کردن این کلاف سردرگم، به زبانی غنی‌تر نیاز داریم. بیایید آن را با مثال خودمان بررسی کنیم: «سرزنش والدینم (X) باعث عزت نفس پایینم (Y) شد.»

مدل‌های علّی ساختاری (SCMs): نقشه‌ی اولیه‌ی داستان شما

اولین ابزار، SCM است که از یک نمودار (یک گراف جهت‌دار غیرمدور یا DAG) برای ترسیم نقشه‌ی تئوری علّی شما استفاده می‌کند. باور ساده‌انگارانه یک نقشه‌ی ساده است:

سرزنش والدین (X) → عزت نفس پایین (Y)

اما یک تحلیل عمیق‌تر ما را وادار می‌کند تا متغیرهای پنهان را شناسایی کنیم:

  • Z (متغیر مخدوش‌کننده): آسیب‌های روحی حل‌نشده‌ی خودِ والدین. این علت مشترک، هم بر سبک فرزندپروری آن‌ها تأثیر می‌گذارد (Z → X) و هم به طور مستقل محیطی را ایجاد می‌کند که ناامنی را در کودک پرورش می‌دهد (Z → Y).

  • M (متغیر میانجی): شکل‌گیری یک باور اصلی در کودک مانند «من بی‌ارزشم». سرزنش (X) یک ضربه‌ی مستقیم نیست؛ ابتدا این باور را القا می‌کند (X → M)، و این باور است که به طور مداوم عزت نفس پایین را تولید می‌کند (M → Y).

این به ما یک نقشه‌ی بسیار دقیق‌تر—و کاربردی‌تر—از واقعیت می‌دهد:

این نقشه فوراً نشان می‌دهد که دردی که احساس می‌شود، ترکیبی از یک مسیر علّی واقعی (از طریق باور M) و یک همبستگی کاذب است که توسط علت مشترک Z ایجاد شده است.

حسابانِ do و نتایج بالقوه: ریاضیاتِ «چه می‌شد اگر؟»

حالا با داشتن نقشه، می‌توانیم سؤالات دقیق‌تری بپرسیم. حسابانِ do، که توسط یودیا پرل توسعه یافته، به ما یک عملگر ریاضی، ()do، می‌دهد تا بین مشاهده‌ی منفعلانه یک شرط و مداخله‌ی فعالانه برای ایجاد آن تمایز قائل شویم.

  • دیدن (همبستگی): P(Y|X) — «احتمال عزت نفس پایین چقدر است به شرطی که ببینیم فردی مورد سرزنش قرار گرفته؟»

  • انجام دادن (علیت): P(Y|do(X)) — «احتمال عزت نفس پایین چقدر می‌شد اگر می‌توانستیم مداخله کنیم و سرزنش را به صفر برسانیم؟»

تمام منطق احساسی آن فرد بر اساس مشاهده‌ی P(Y|X) بنا شده است. اما رنج او از تصور دنیای مداخله‌گرانه‌ی P(Y|do(X)) ناشی می‌شود. او باور دارد که اگر می‌توانست (سرزنش = هیچ)do را اجرا کند، عزت نفس بالایی می‌داشت.

مدل SCM که ساختیم نشان می‌دهد چرا این موضوع به این سادگی نیست. متغیر مخدوش‌کننده (Z) یک «مسیر پشتی» نفوذ ایجاد می‌کند :

برای یافتن اثر علّی واقعی خودِ سرزنش، حسابانِ do به ما می‌گوید که باید این مسیر را با تعدیل کردن بر اساس متغیر مخدوش‌کننده، به صورت ریاضی «ببندیم». فرمول آن این است:

به زبان ساده، این یعنی شما نمی‌توانید فقط خودتان را با کسی مقایسه کنید که والدینش منتقد نبوده‌اند. برای یافتن اثر واقعی سرزنش، باید خودتان را با یک شخص فرضی مقایسه کنید که والدینش دقیقاً همان آسیب‌های روحی زیربنایی (Z) شما را داشته‌اند، اما به نوعی توانسته‌اند منتقد نباشند. این فرمول، آن بصیرت دردناک را رسمی می‌کند که سرزنش فقط یک علامت بوده و بیماری اصلی، شما را نیز تحت تأثیر قرار داده است.

چارچوب نتایج بالقوه این موضوع را با صحبت از دو دنیا، به شدت شخصی می‌کند:

  • Y(1): عزت نفس واقعی شما، که سرزنش را تجربه کرده‌اید.

  • Y(0): عزت نفس بالقوه‌ی شما در دنیایی که همان والدین را داشتید، اما آن‌ها منتقد نبودند.

شکاف بین این دو دنیا منشأ رنج است. «مسئله‌ی بنیادین استنتاج علّی» این است که ما هرگز نمی‌توانیم Y(0) را مشاهده کنیم. حسابانِ do، با تعدیل کردن برای Z، ابزاری به ما می‌دهد تا با دقت بیشتری تخمین بزنیم آن دنیا چه شکلی می‌توانست باشد و این توهم را از بین می‌برد که صرفاً حذف سرزنش، همه چیز را درست می‌کرد.


سؤال انقلابی: اگر نقشه را داریم، چرا هنوز گم شده‌ایم؟

اگر مدل اینقدر واضح است، چرا نمی‌توانیم بر اساس آن عمل کنیم؟ اگر می‌دانیم که باور «من بی‌ارزشم» (M) مشکل است، چرا نمی‌توانیم به سادگی «از تغذیه‌ی آن دست بکشیم»؟ پاسخ این است که نقشه، خودِ ساختمان نیست. مدل علّی یک حقیقت عقلی است، اما این زنجیره یک واقعیت عصبی و تنیده در بدن است. «میانجی» (M) یک شاهراه شناختی است و ذهن ناخودآگاه در برابر حذف چیزی که آن را یک نرم‌افزار حیاتی برای بقا (هرچند دردناک) می‌داند، مقاومت می‌کند.

بنابراین، کار این نیست که به طور جادویی گذشته را پاک کنیم، بلکه این است که آن را آگاهانه مرور کنیم، نه باززیستی. با متوقف کردن فکر خودکار، بررسی وزن عاطفی آن بدون غرق شدن در آن، و تغییر مسیر آن، شما دیگر در حال تغذیه‌ی آن روایت نیستید؛ بلکه در حال برچیدن آن هستید.


جمع‌بندی: از «خود» به «سیستم» 📈

این شیوه‌ی تفکر به قلمرو روانشناسی محدود نمی‌شود. زیبایی عظیم این چارچوب در کاربردپذیری جهانی آن برای هر سیستم پیچیده‌ای است که در آن همبستگی بیداد می‌کند و یافتن علیت دشوار است.

  • در سرمایه‌گذاری و بازارهای مالی، تحلیلگران دائماً همبستگی را با علیت اشتباه می‌گیرند. ممکن است سهام یک شرکت هر بار که یک شاخص اقتصادی خاص منتشر می‌شود، بالا برود. یک مدل ساده‌انگارانه می‌گوید: شاخص (X) → قیمت سهام (Y). اما یک رویکرد علّی ما را وادار می‌کند بپرسیم: متغیر مخدوش‌کننده چیست؟ شاید سیاست نرخ بهره‌ی بانک مرکزی (Z) هم باعث حرکت شاخص (Z → X) می‌شود و هم به طور مستقل احساسات سرمایه‌گذاران را که سهام را بالا می‌برد، هدایت می‌کند (Z → Y). سرمایه‌گذاری که یک نقشه‌ی علّی می‌سازد—با مدل‌سازی احساسات، جریان سرمایه و سیاست‌ها—می‌تواند یک عامل واقعی را از یک ارتباط موقتی تشخیص دهد و خود را از سیگنال‌های کاذب محافظت کند.

  • در تحلیل‌های ژئوپلیتیکی، رهبران اغلب در همین دام می‌افتند. یک کشور تحریم‌هایی را اعمال می‌کند (X) و رژیم کشور هدف تهاجمی‌تر می‌شود (Y). نتیجه‌ای که گرفته می‌شود این است که تحریم‌ها باعث تهاجم می‌شوند. اما یک مدل علّی دقیق، یک تحلیلگر را مجبور می‌کند تا متغیرهای مخدوش‌کننده‌ای مانند بی‌ثباتی سیاسی داخلی از قبل موجود (Z) را در نظر بگیرد، که می‌تواند به طور مستقل هم باعث استیصال اقتصادی شود که تحریم‌ها را به دنبال دارد (Z → X) و هم یک ژست تهاجمی برای «اثر جمع شدن زیر پرچم» (Z → Y) ایجاد کند. درک این ساختار به مداخلات سیاستی‌ای منجر می‌شود که احتمال شکستشان کمتر است.

  • این موضوع مستقیماً به سیاست‌های مالی و تجاری بین‌المللی نیز گسترش می‌یابد. دولت‌ها می‌بینند که وقتی یک توافق تجاری خاص را امضا می‌کنند (X)، تولید ناخالص داخلی آن‌ها رشد می‌کند (Y). اما آیا این توافق علت رشد است؟ یک SCM، شرایط اقتصادی جهانی (یک متغیر مخدوش‌کننده Z) را ترسیم می‌کند که ممکن است هم تمایل به امضای توافق‌ها و هم رشد کلی اقتصادی را هدایت کند. با مدل‌سازی این روابط، اقتصاددانان می‌توانند بهتر اثر علّی واقعی یک تعرفه یا توافق خاص، یعنی

را جدا کنند و به سیاست‌های هوشمندانه‌تر و مبتنی بر شواهد برسند.

چه سرمایه‌گذاری باشید که به دنبال یافتن آلفا است، چه سیاست‌گذاری که در تلاش برای ساختن دنیایی باثبات‌تر است، و چه فردی که می‌خواهد زندگی خود را بفهمد، هدف یکی است: فراتر رفتن از واکنش صرف به الگوهایی که می‌بینید، و شروع به درک و اقدام بر اساس ماشین پنهانی که آن‌ها را می‌سازد. این چارچوب علّی، جعبه‌ابزار ضروری برای این سفر است.

آشوب را به قدرت تبدیل کنید-از نظریه تا عمل

این راهنما به بررسی مطالعات موردی و کاربرد عملی چارچوب‌های علی در تحلیل‌های پیچیده، از خودشناسی تا سیستم‌های کلان، می‌پردازد.مطالعه مدل
همبستگیباورتولیدبازارهای مالیبانک مرکزی
۱۸
۴
محمدحسن شیری
محمدحسن شیری
hasanshiri.online
شاید از این پست‌ها خوشتان بیاید