Корреляция и причинность: почему связь в метриках — ещё не причина

Коротко. Корреляция — это просто совпадение изменений двух величин во времени: одна растёт, и вторая обычно растёт (или падает) вместе с ней. Причинность — это когда изменение одной величины действительно вызывает изменение другой. Первое легко увидеть на любом графике за пару минут, второе требует куда больше — исключить обратную связь, скрытую общую причину и случайное совпадение на короткой выборке. В личных метриках работы (сколько времени за компьютером, доля глубокой работы, число переключений между задачами) корреляции встречаются на каждом шагу, и почти всегда хочется сразу же сделать из них практический вывод. Именно эта поспешность и есть источник большинства ошибочных решений «на основе данных».

Корреляция и причинность: почему связь в метриках — ещё не причина

Определение: чем корреляция отличается от причинности

Корреляция — это статистическая связь между двумя величинами, при которой изменение одной сопровождается предсказуемым изменением другой, без утверждения о том, что первая является причиной второй. Например: в дни с большим числом коротких совещаний доля глубокой работы обычно ниже. Это наблюдение — оно фиксирует факт совместного изменения, но ничего не говорит о механизме.

Причинность — это утверждение о механизме: изменение одной величины напрямую вызывает изменение другой, и если искусственно изменить первую (убрать совещания), то вторая изменится предсказуемым образом (доля глубокой работы вырастет). Проверить причинность по одному наблюдению за прошлые недели почти никогда нельзя — для этого нужен либо контролируемый эксперимент, либо очень тщательный анализ, исключающий альтернативные объяснения. Корреляция — это подсказка, где искать причину, а не сама причина.

Путать эти два понятия немного мешает то, что мозг по умолчанию ищет причинно-следственные истории — это удобнее, чем держать в голове просто факт совпадения. Увидев два графика, которые двигаются синхронно, хочется сразу дать этому объяснение, и обычно первое объяснение, которое приходит в голову, — самое простое и прямое, а не самое верное.

Три механизма, из-за которых корреляция обманывает

Почти все ложные выводы о причинности в личных метриках происходят по одной из трёх схем.

Обратная причинность: вы перепутали, что вызывает что

Классическая ошибка — решить, что A вызывает B, когда на самом деле B вызывает A. Например: заметив, что в дни с высокой долей глубокой работы количество переключений между задачами ниже, легко сделать вывод «меньше переключений → больше глубокой работы» и начать бороться именно с переключениями. Но возможен и обратный порядок: в те дни, когда попадается задача, которая объективно позволяет длинные непрерывные блоки (например, самостоятельная разработка функции без созависимостей), переключений естественно меньше — не потому что вы их сознательно избегали, а потому что сам характер задачи к этому не подталкивал. Здесь низкое число переключений — следствие типа задачи, а не причина высокой доли глубокой работы; оба показателя — следствие одного и того же дня с определённой структурой задач.

Скрытая общая причина (конфаундер)

Второй и самый частый механизм — обе величины меняются не потому, что одна вызывает другую, а потому, что на обе действует третья, не учтённая переменная. Пример: в недели с более длинным средним сном растёт и активное время за компьютером, и доля глубокой работы. Соблазнительный вывод — «больше сна прямо повышает долю глубокой работы» — может быть частично верным, но чаще за обоими показателями стоит третий фактор: спокойный период без срочных внешних дедлайнов. В такую неделю человек одновременно спит лучше (меньше тревоги перед сном) и работает более сфокусированно (меньше тушения пожаров) — но напрямую сон здесь может влиять на фокус значительно слабее, чем кажется по одной лишь синхронности графиков.

Случайное совпадение на короткой выборке

Третий механизм — самый безобидный по механике и самый частый на практике: две метрики просто случайно двигались в одну сторону несколько дней подряд, без какой-либо реальной связи между ними. Чем короче период наблюдения, тем выше шанс увидеть эффектную, но бессмысленную синхронность — это прямое следствие того, что на маленьких выборках случайность выглядит убедительнее, чем она есть. Тот же принцип разбирается и в вопросе, когда обычное колебание метрики стоит считать настоящим трендом, а не шумом: практический ориентир там тот же — связь, которую стоит воспринимать серьёзно, должна повторяться на протяжении нескольких недель, а не двух-трёх дней подряд.

Пример с числами: как выглядит ловушка на практике

Предположим, за две недели зафиксированы такие данные по дням:

Связь видна невооружённым глазом: чем больше встреч, тем ниже доля глубокой работы. Соблазн — сразу сформулировать правило «встречи убивают глубокую работу» и начать агрессивно их сокращать. Но прежде чем действовать, стоит задать три вопроса: не путаются ли причина и следствие (возможно, встречи чаще назначают именно в те дни, когда и без них не планировалось много самостоятельной работы); нет ли скрытой общей причины (например, дни с большим числом встреч обычно приходятся на середину недели, когда параллельно накапливается операционная переписка); и достаточно ли пяти дней, чтобы делать вывод, а не просто зафиксировать одну обычную неделю. Все три вопроса не отменяют связь — они превращают её из готового вывода в гипотезу, которую стоит проверить.

Типичная ошибка интерпретации: связь принимают за готовое решение

Самая частая практическая ошибка — не в том, что связь замечают неправильно (она обычно замечена верно), а в том, что из неё сразу делают управленческое решение, минуя проверку. Увидев, что доля глубокой работы падает в дни с уведомлениями чата, человек сразу отключает все уведомления навсегда — вместо того чтобы сначала на неделю-две протестировать отключение и посмотреть, действительно ли доля глубокой работы вырастет, или падение было связано с чем-то ещё (например, именно эти дни совпадали с окончанием спринта, когда параллельно росла и внешняя нагрузка).

Разница между «я вижу связь» и «я знаю причину» — это разница между наблюдением и экспериментом. Чтение графиков продуктивности даёт наблюдение; управляемый эксперимент с изменением одной переменной и сравнением до/после — единственный надёжный способ приблизиться к причине.

Как проверить причину на себе

Минимальный протокол, который не требует статистического образования:

1. Зафиксируйте базовую линию. Возьмите обычные одну-две недели без изменений и запишите типичные значения обеих метрик — что такое «нормально» для вас (подробнее — в «Базовая линия: зачем она нужна и как её посчитать»).
2. Измените ровно одну переменную. Например, договоритесь не назначать встречи до обеда на протяжении недели, оставив всё остальное как обычно — расписание сна, нагрузку, задачи.
3. Сравните тот же период, а не соседние дни. Сопоставьте неделю с изменением с базовой линией, а не с одним «хорошим» днём внутри этой недели — иначе легко перепутать эффект вмешательства со случайным колебанием.
4. Проверьте на устойчивость. Если эффект сохраняется и на второй похожей неделе — это уже основание говорить о причине, а не просто об одной удачной попытке.

Такой личный эксперимент — это упрощённая версия того, что в исследованиях называют контролируемым сравнением: изменяется одна переменная, остальное по возможности держится стабильным, а вывод делается по сравнению периодов, а не отдельных точек. Если хочется предметно потренироваться в постановке такого эксперимента над собственным рабочим днём, дашборд с готовыми графиками активного времени, доли глубокой работы и переключений по дням убирает самую нудную часть работы — вручную сводить числа в таблицу перед каждым сравнением. Посмотреть, как это выглядит на живых данных, можно в демо DevPace.

Частые вопросы

Если корреляция сильная и держится долго, разве это не почти то же самое, что причинность? Долгая и устойчивая связь — весомый аргумент в пользу причинности, но не доказательство сама по себе. Она всё ещё может объясняться скрытой общей причиной, которая столь же устойчиво влияет на обе величины. Уверенность добавляет только вмешательство: изменение одной переменной с последующим наблюдением за другой.

Можно ли доверять корреляции, если она совпадает с интуитивным ожиданием — например, «меньше сна → хуже фокус»? Интуитивная правдоподобность снижает вероятность того, что связь абсурдна, но не заменяет проверку. Иногда интуитивно очевидные связи действительно подтверждаются экспериментом, а иногда — нет, потому что за интуитивным объяснением стоит третий, менее заметный фактор.

Нужна ли для этого статистика или специальные формулы? Для личных метрик — нет. Три вопроса из этой статьи (обратная причинность, скрытая общая причина, случайность малой выборки) и простой протокол «база → изменение одной переменной → сравнение периодов» покрывают большинство практических случаев без единой формулы.

Что делать, если после эксперимента эффект не подтвердился? Это нормальный и полезный результат — он экономит время, которое ушло бы на поддержание привычки, не дающей реального эффекта. Стоит вернуться к списку кандидатов и проверить следующую гипотезу тем же протоколом, а не считать первую неудачу поводом бросить проверку гипотез вообще.

Смотрите также

• Разброс и стабильность: почему они важнее среднего
• Как сравнивать периоды корректно

Опубликовано: 16 июня 2026 г.