الارتباط ليس سببية
ما الذي يدّعيه المعامل فعليًا
الارتباط ليس سببية درس مجاني في Data Science Academy على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Data Science Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Data Science Academy 4 دروس في المجموع.
بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.
What Correlation Measures
Correlation tells you how two variables move together. When one goes up, does the other tend to rise, fall, or ignore it? That pattern is all it captures. 📈
The Coefficient Range
A correlation coefficient lives between -1 and +1. Near +1 means they rise together, near -1 means one falls as the other climbs, and near 0 means almost no link.
import pandas as pd
r = df["hours"].corr(df["score"])
print(round(r, 2))Positive Relationships
A positive correlation means both variables tend to grow together. More study hours often pair with higher scores, giving you a value comfortably above zero.
Negative Relationships
A negative correlation means one rises while the other drops. More screen time before bed might pair with fewer hours of sleep, pushing the value below zero.
The Causation Trap
Here is the big warning: causation means one thing actually makes the other happen. Correlation never proves that on its own, no matter how strong it looks. ⚠️
The Lurking Variable
Often a hidden confounder drives both. Ice cream sales and drowning both climb in summer, but heat is the real cause, not the ice cream itself.
Spurious Correlations
Some links are pure coincidence. With enough variables, two unrelated trends can line up by chance and fool you into seeing a story that is not there.
Reverse Causation
Sometimes the arrow points the other way. You may assume X causes Y, but reverse causation means Y was actually driving X all along.
It Misses Curves
Standard correlation only sees straight-line patterns. A clear U-shaped relationship can show a coefficient near zero even though the two are strongly connected.
What Proves Cause
To claim cause you usually need a controlled experiment, where you change one thing on purpose and watch the result while holding everything else steady.
Read It Honestly
So treat a coefficient as a clue, not a verdict. It points you toward relationships worth investigating, but the why still needs careful thought.
Quick Check
Ice cream sales and drowning incidents both rise in summer. What best explains this link?
Recap
Correlation shows how variables move together from -1 to +1, but it never proves cause. Watch for confounders, coincidence, and curves before drawing conclusions. ✅
الأسئلة الشائعة
هل درس «الارتباط ليس سببية» مجاني؟
نعم — نص درس «الارتباط ليس سببية» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Data Science Academy، انتقل إلى CoddyKit PRO. تتضمن دورة Data Science Academy 4 دروس في المجموع.
ماذا ستتعلم في «الارتباط ليس سببية»؟
ما الذي يدّعيه المعامل فعليًا تتمرن على Data Science Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Data Science Academy؟
لا تُشترط خبرة سابقة. Data Science Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «الارتباط ليس سببية»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Data Science Academy هذا؟
نعم. كل درس في Data Science Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- الارتباط ليس سببية
- Pearson في مقابل Spearman
- قراءة خريطة الارتباط الحرارية
- الالتواء والتفرطح والتوزيع الطبيعي