Vi känner alla till sanningen ”Korrelation innebär inte orsakssamband”, men när vi ser linjer som lutar ihop, staplar som stiger ihop eller pekar på ett spridningsdiagramkluster, ber data nästan oss att ange en anledning. Vi vill tro att det finns en.

Statistiskt sett kan vi dock inte ta det språnget. Diagram som visar en nära korrelation är ofta beroende av ett visuellt salongtrick för att antyda en relation. Tyler Vigen, en JD-student vid Harvard Law School och författaren till Spurious Correlations, har gjort idrott över detta på sin webbplats, som kartlägger farsförhållanden – till exempel mellan amerikansk margarinkonsumtion per capita och skilsmässa i Maine.

Vigen har programmerat sin webbplats så att vem som helst kan hitta och kartlägga absurda korrelationer i stora datamängder. Vi försökte några av våra egna och kom med dessa pärlor:

Även om det är lätt att upptäcka och förklara bort absurda exempel som dessa, kommer du sannolikt att stöta på riggad men plausi ble diagram i ditt dagliga arbete. Här är tre typer som chefer bör se upp för:

Äpplen och apelsiner som jämför olika variabler

Y-axelskalor som mäter olika värden kan visa liknande kurvor som inte ska paras ihop. Detta blir skadligt när värdena verkar vara relaterade men inte är.

Det är bäst att kartlägga dem separat.

Skewed Scales Manipulating Ranges to Align Data

Även när Y-axlar mäter samma kategori kan ändring av skalorna ändra linjerna för att föreslå en korrelation. Dessa Y-axlar för RetailCos månatliga intäkter skiljer sig åt i intervall och proportionell ökning.