Dies ist kein statistischer (assoziativer) Irrtum, sondern ein logischer Irrtum einer kausalen Behauptung. Nehmen wir die Aussage: "Sie sehen nie einen Ferrari-Rost wie einen Honda ". Statistisch bedeutet dies, dass sich das beobachtete Rosten in der "Bevölkerung" von Ferraris irgendwie von dem beobachteten Rosten in der "Bevölkerung" von Hondas unterscheidet. Dies könnte zutreffen und wäre überhaupt kein statistischer Irrtum.
Der Irrtum kommt ins Spiel, wenn jemand daraus schließt, dass diese beobachtete Assoziation durch einen bestimmten Mechanismus verursacht wird, beispielsweise durch die intrinsischen Eigenschaften von Ferraris oder Hondas. Wenn Sie also behaupten: "Der logische Fehler ist, dass ein Honda normalerweise als strenger Winterfahrer eingesetzt wird, während ein Ferrari ein 2. oder 3. Auto ist, das auf den Einsatz an sonnigen Wochenenden beschränkt ist" , was Sie tun erklärt einen möglichen Kausalmechanismus, der auch zu einer solchen Assoziation führt, sodass die beobachtete Assoziation zwei verschiedene Kausalmodelle nicht ausschließen kann.
Selbst wenn die Assoziation in der Bevölkerung legitim ist, ist die kausale Erklärung für diese Assoziation möglicherweise nicht legitim. Dieser logische Irrtum, aus der Assoziation einen bestimmten Kausalmechanismus abzuleiten, wird gewöhnlich als "falsche Ursache" bezeichnet. Aber dieser Irrtum ist nur der alte einfache "Bestätigung des konsequenten" Irrtums - das kausale Modell, dass Ferraris besser sind als Hondas, würde die beobachtete Assoziation erzeugen. Es ist jedoch ein Trugschluss zu schließen, dass dieses spezifische Kausalmodell wahr ist, weil die Assoziation wahr ist. Es gibt mehrere konkurrierende Modelle, die dieselbe beobachtete Assoziation erzeugen könnten, z. B. Ihre alternative Erklärung, wie Ferraris und Hondas unterschiedliche Nutzungsmuster aufweisen.
Diese "falsche" Zuordnung kann aus mehreren Gründen auftreten und nicht nur dazu führen, dass eine Variable nicht "kontrolliert" wird.Wenn es an einem Versagen der Kontrolle über eine häufige Ursache liegt, nennen wir dies normalerweise "verwirrende Voreingenommenheit".Sie können jedoch tatsächlich eine nicht kausale Assoziation erstellen, indem Sie nach falschen Variablen suchen. Wie in dieser anderen Antwort gezeigt, würde im folgenden Modell die "Kontrolle" des Fahrzeugtyps des Patienten die Effektschätzung beeinflussen:
Dies wird normalerweise als "Collider Bias" oder "Selection Bias" bezeichnet.Sie können auch Verzerrungen aufgrund der Steuerung für Mediatoren, aufgrund von Messfehlern usw. haben.