Cum hoc ergo propter hoc: Διαφορά μεταξύ των αναθεωρήσεων

Περιεχόμενο που διαγράφηκε Περιεχόμενο που προστέθηκε
Hieronymus (συζήτηση | συνεισφορές)
μΧωρίς σύνοψη επεξεργασίας
Hieronymus (συζήτηση | συνεισφορές)
μΧωρίς σύνοψη επεξεργασίας
Γραμμή 13:
 
Άλλο παράδειγμα:
:''Οι αυξομειώσεις στις πωλήσεις παγωτού συσχετίζονται απόλυτη συμέπειασυνέπεια με τις αυξομειώσεις της εγκληματικότητας.''
:''Άρα, η κατανάλωση παγωτού αυξάνει την εγκληματικότητα.''
 
Το άνω παράδειγμα εμπίπτει στην πλάνη cum hoc ergo propter hoc, διότι στην πραγματικότητα η αύξηση της θερμοκρασίας είναι αυτή που αυξάνει τόσο τα επίπεδα της εγκληματικότητας (προφανώς με το να καθιστά τους ανθρώπους ευερέθιστους), όσο και τις πωλήσεις παγωτού.
Το άνω παράδειγμα
Next example:
:''Ice-cream sales are strongly (and robustly) correlated with crime rates''.
:''Therefore, ice-cream causes crime''.
 
Μία επιπλέον παρατήρηση δείχνει ότι η φορά της αιτίασης είναι εσφαλμένη.
The above argument commits the cum hoc ergo propter hoc fallacy, because in fact the explanation is that high temperatures increase crime rates (presumably by making people irritable) as well as ice-cream sales.
 
Το άνωΓια παράδειγμα :
 
:''Η οπλοκατοχή έχει άμεση σχέση με την εγκληματικότητα''
:''Άρα, η οπλοκατοχή οδηγεί στην εγκληματικότητα''
 
Αυτές οι προτάσεις θα μπορούσαν κάλλιστα να είναι αντεστραμμένες: η αύξηση της εγκληματικότητας μπορεί να οδηγήσει σε αυξημένη οπλοκατοχή από μέρους των πολιτών οι οποίοι δεν νιώθουν αρκετά ασφαλείς. Βλέπε [[εσφαλμένη φορά]].
 
Another observation is that the direction of the causation is wrong and should be the other way around.
 
For example:
:''Gun ownership is correlated with crime''.
:''Therefore, gun ownership leads to crime''.
 
The facts could easily be the other way round: increase in crime could lead to more gun ownership with concerned citizens. See: [[wrong direction]].
 
The statement "correlation does not imply [[causation]]" notes that it is dangerous to deduce causation from a [[statistical correlation]]. If you only have A and B, a correlation between them does not let you infer A causes B, or vice versa, much less 'deduce' the connection. But if there was a common cause, and you had that data as well, then often you can establish what the correct structure is. Likewise (and perhaps more usefully) if you have a common effect of two independent causes.