杂散相关性：裙子长度和股票市场
“虚假”这个词意味着“不是它所出现的东西”。一种杂散的相关性是两者都具有重要意义的统计术语数学和社会学描述了两个变量没有直接连接的情况（相关性），但它被错误地假设它们与巧合或第三个隐藏因子（“潜伏变量”或“混杂因子”的存在相连。）。可以证明杂散相关性“相关性并不意味着因果化”。
杂散的相关性可能是可能的麻烦，因为人们可能想要基于这些错误关系的决策和假设，只有在以任何显着方式测试时，只有这种假设会立即分解。如果一个人做出了很大的决定投资股市或者买一个房子，认为它将是基于杂散的相关性的盈利，这大决定可能会在短期内举起，但由于其脆弱的推理，它可能会在一段时间后被证明是错误的。
用变量a和b分解，用c是潜伏的变量，虚假的相关性看起来如此：
一个原因B，
B导致A，
或者
C导致A和B
例子
这是一个非常基本和流行的杂散相关性，以便开始使用那个被称为“裙子长度理论”。曾经是一个受欢迎的信念，股市趋势与女性裙子的长度有关。当妇女佩戴裙子的流行时，股市似乎表现良好。相反，裙子越长，市场表现越糟。这个想法起初可能听起来愚蠢，但由于这种相关性是真正的约25％的时间，有人在裙子上升时，有些人继续投资股票市场，所以说话。显然，这种相关性是虚假的，或可疑的，因为女性的裙子长度与投资有什么关系？没有什么。什么可能是第三或潜伏的变量，是巧合或裙子长度表示整体松动的道德，这反过来可能使潜在的投资者更有可能拉动金融触发器，从而使市场表现良好。
另一个，更简单的例子：一所大学生通知，她在她睡觉时睡觉并跳过她的早期课程，校园内有更多的交通事故。在这个例子中的虚假相关性是她认为她的睡眠意味着将发生更多的事故。事实上，实际发生的是她住在那些日子里的原因是因为天气恶劣（潜伏的变量），恶劣天气往往会导致交通事故。
社会学的意义
在社会学领域，虚假相关性说明的主要思想是相关与因果关系的概念。相关性无论其实际连接如何，两个变量如何变化，可以是正/直接或负面/逆。因果关系当一个变量导致另一个变量发生变化时。在社会学和统计数据中，通过执行实验来确定相关性和因果关系。如果研究人员注意到两个变量之间的关系，并且想要了解连接是虚假的，他可以对其他因素进行实验和控制。
这是一个真正的世界社会学形势，虚假相关性扮演大型部分。一个大的社会问题，似乎经常讨论讨论是死刑，特别是死刑遏制暴力犯罪。有人不会因被定罪而被定罪的恐惧犯罪的想法被判处死刑已经被认为是反对死刑的人的杂散相关性。他们有时声称，由于死刑所以很少被犯下的暴力罪行的变化不可能与恐惧死刑，因此不做它所履行的事情。
分析，试验和终于揭穿或证明杂散关系也练习了一个人的批判性思维技能。在学术环境和日常情况下，一个假设可能会出现自己，并且必须在一定程度上推理并使该人难以思考他们正在处理的内容。例如，餐厅的雇主可能会告诉工人在特定工人在那里的日子里的工人很慢。这可能会导致工人为自己感到遗憾，不喜欢上班。但如果他们想到它更深并实现了“嘿，我只在一周开始和非高峰时段工作”，现在他们现在意识到它不是他们的错，老板是非常不专业的。
意义统计数据
统计世界中的虚假相关性与实验研究技术有关数据疏浚，这是考虑大写数据汇编的做法，以便在没有任何预定义假设的情况下找到关系。因为在数据疏浚所有您正在做的都是在变量之间找到肤色关系而不是测试因果关系和相关性，许多杂散相关性往往会弹出：当B上升时，A往往会上升，因此它们必须相关，因此必须相关，而不考虑C。这种做法本质上是统计的，但可以应用于任何数量的领域，包括经济学，地理学或任何其他基于数学研究。
在统计数据中使用虚假相关性来预测通过采用观察数据的直接因果关系。因为正常的真实世界实验无法在统计中进行，回归分析执行以估计变量之间的关系，每个字段都有自己的分析版本（经济学在经济学中）。就像在真实的世界实验中一样，表演回归分析的人必须考虑到所有混杂因素，并将它们包括回归。
无处不在，无论是在学术环境中，都可以找到虚假的相关性，而且，无论他们如何基本，大多数人都犯了犯了罪。重要的是要意识到它们并批判性地思考实际关系在两个看似相关的变量之间。虽然它们可能不会像股票市场和女式裙之间的联系那样公然不正确，但重要的是要意识到它们，而不是基于杂散相关性的任何重要决策。
