Korelasi Bukan Kausalitas: Empat Contoh yang Sering Salah Dibaca

Sebuah artikel menyebutkan bahwa karyawan yang sering membaca buku memperoleh penilaian kinerja lebih tinggi. Kesimpulan yang ditarik: perusahaan perlu mendorong kebiasaan membaca.

Lompatan itu terasa wajar, dan justru itu masalahnya. Hubungan antara dua variabel bisa muncul dari setidaknya empat jalur berbeda, dan hanya satu di antaranya adalah sebab-akibat searah.

Empat penjelasan yang harus disingkirkan sebelum menafsirkan korelasi sebagai pengaruh. Uji statistik tidak bisa membedakannya.

Jalur pertama: arah terbalik

Kinerja tinggi bisa menyebabkan orang membaca lebih banyak, bukan sebaliknya. Pekerja dengan kinerja baik lebih sering dipromosikan, mendapat tugas baru, dan merasa perlu belajar.

Dalam psikologi, arah terbalik sangat umum. Kepercayaan diri dan prestasi saling memengaruhi. Dukungan sosial dan kesehatan mental saling menguatkan. Menentukan mana yang lebih dulu membutuhkan desain longitudinal, bukan korelasi sesaat.

Jalur kedua: variabel perancu

Faktor ketiga bisa menyebabkan keduanya. Pendidikan keluarga, misalnya, memengaruhi kebiasaan membaca sekaligus akses ke pekerjaan yang lebih baik.

Ketika variabel perancu tidak diukur, korelasinya tetap muncul di data. Ia akan terlihat seperti bukti, padahal hanya bayangan dari penyebab lain.

Dalam penelitian observasional, daftar perancu yang mungkin selalu lebih panjang daripada yang bisa diukur. Karena itu, klaim kausal dari data observasional selalu bersifat sementara.

Satu cara praktis memeriksa perancu: tanyakan apa yang bisa menjelaskan kedua variabel sekaligus. Bila jawabannya masuk akal dan belum diukur, korelasi yang diamati belum cukup untuk menyimpulkan apa pun.

Pada contoh kebiasaan membaca dan kinerja, kandidat perancu paling jelas adalah pendidikan keluarga dan jenis pekerjaan. Keduanya memengaruhi akses ke bahan bacaan dan akses ke posisi dengan penilaian kinerja lebih tinggi.

Jalur ketiga: seleksi

Sampel yang dipakai bisa menciptakan korelasi yang tidak ada di populasi.

Contohnya: survei dilakukan pada karyawan yang masih bertahan. Mereka yang kelelahan sudah berhenti, sehingga hubungan antara beban kerja dan kepuasan terlihat lebih lemah dari kenyataan. Fenomena ini dikenal sebagai bias survival.

Pada seleksi kerja, efek serupa muncul sebagai pembatasan rentang. Ketika hanya pelamar dengan skor tinggi yang diterima, hubungan antara skor dan kinerja mengecil di data perusahaan, meski hubungannya nyata di populasi pelamar.

Bagi praktisi HR, kesalahan ini mahal. Alat yang sebenarnya berguna bisa dinyatakan gagal hanya karena data yang dipakai untuk mengevaluasinya sudah terpotong.

Jalur keempat: kebetulan

Dengan cukup banyak pasangan variabel, beberapa akan berkorelasi secara kebetulan. Ini alasan analisis yang menguji puluhan hubungan sekaligus membutuhkan koreksi.

Tanpa koreksi, satu dari dua puluh uji akan "signifikan" pada tingkat 0,05 hanya karena peluang. Ketika hasil itu dilaporkan dan yang lain tidak, pembaca melihat pola yang sebenarnya tidak ada.

Masalahnya bertambah ketika hasil yang "signifikan" itu cocok dengan cerita yang sudah dipercaya. Konfirmasi terasa lebih meyakinkan daripada hasil nol, sehingga lebih cepat menyebar dan lebih jarang diperiksa ulang.

Apa yang dibutuhkan untuk klaim kausal?

Setidaknya tiga hal: waktu yang jelas (sebab mendahului akibat), kontrol terhadap penjelasan alternatif, dan mekanisme yang masuk akal.

Eksperimen acak memenuhi syarat pertama dan kedua dengan lebih baik. Namun eksperimen pada banyak pertanyaan psikologi sulit atau tidak etis dilakukan. Karena itu, peneliti memakai desain kuasi-eksperimen, studi longitudinal, dan metode kausal inferensial.

Tidak satu pun dari metode itu menghapus ketidakpastian. Semuanya memperbaiki argumen, bukan menyelesaikannya.

Kapan korelasi sudah cukup

Korelasi bukan musuh kesimpulan. Untuk banyak tujuan, korelasi memang jawaban yang dibutuhkan.

Bila pertanyaannya "apakah dua hal bergerak bersama", korelasi sudah memadai. Bila pertanyaannya "variabel mana yang layak diukur untuk memprediksi hasil", korelasi juga memadai sebagai langkah awal.

Yang bermasalah adalah melompat dari prediksi ke intervensi. Mengetahui bahwa dua hal berhubungan tidak memberi tahu apakah mengubah satu hal akan mengubah yang lain.

Contoh praktis: tinggi badan berkorelasi dengan pendapatan di banyak negara. Tidak ada yang menyimpulkan bahwa menambah tinggi badan akan menaikkan pendapatan. Contoh ini jelas, tetapi logika yang sama sering lolos ketika variabelnya terdengar psikologis.

Empat contoh yang sering salah dibaca

Kepribadian dan kinerja. Conscientiousness berkorelasi dengan kinerja. Tetapi kinerja juga dipengaruhi jenis jabatan, kualitas manajemen, dan kesempatan. Korelasi yang dilaporkan dalam meta-analisis adalah rata-rata lintas konteks, bukan hukum universal.

Minat dan prestasi. Siswa yang berminat pada sains memperoleh nilai lebih tinggi. Arah hubungan berjalan dua arah: minat mendorong belajar, dan keberhasilan menumbuhkan minat.

Kelelahan dan kesalahan kerja. Keduanya berkorelasi. Tetapi pekerjaan yang menuntut tinggi juga menambah kesalahan lewat jalur lain, seperti tekanan waktu dan instruksi yang tidak jelas.

Dukungan atasan dan retensi karyawan. Korelasinya kuat di banyak survei. Namun karyawan yang berniat keluar mungkin sudah menarik diri lebih dulu, sehingga atasan tampak kurang mendukung. Arah hubungan bisa berjalan terbalik, dan keduanya bisa dipengaruhi oleh kondisi tim yang lebih luas.

Belum ada satu pun dari contoh di atas yang berarti hubungannya tidak nyata. Semuanya hanya menunjukkan bahwa hubungan itu belum menjelaskan mekanisme. Pembedaan ini penting ketika hasil penelitian dipakai untuk merancang program.

Terapi dan pemulihan. Orang yang menjalani terapi membaik. Namun mereka yang mencari terapi mungkin memiliki dukungan sosial lebih baik, dan dukungan itu sendiri membantu pemulihan.

Untuk contoh terakhir, uji acak terkontrol pada banyak terapi menunjukkan efek yang nyata. Artinya, dalam kasus itu, korelasi observasional memang menunjuk sesuatu yang nyata. Itu baru diketahui karena ada eksperimen, bukan karena korelasinya kuat.

Bagaimana membaca klaim dengan aman

Ganti pertanyaan "apakah berkorelasi" menjadi "jalur mana yang paling masuk akal". Lalu tanyakan bukti apa yang membedakan jalur-jalur itu.

Waspadai kata kerja kausal pada laporan yang hanya melaporkan korelasi: "meningkatkan", "menyebabkan", "berdampak". Kadang kata itu dipakai karena penulisnya yakin, kadang karena lebih enak dibaca. Pembaca perlu memeriksa sumbernya.

Satu kebiasaan kecil yang membantu: saat membaca judul berita, cari kata "terkait" atau "berhubungan". Bila judulnya memakai kata kausal padahal studinya korelasional, curigai sejak awal. Perbedaan itu bukan soal tata bahasa; ia menentukan apakah temuan bisa dipakai untuk merancang intervensi.

Batas interpretasi

Korelasi bukan diagnosis dan bukan bukti kausal. Sebaliknya, ketiadaan korelasi juga bukan bukti ketiadaan hubungan; hubungan bisa tidak terdeteksi karena rentang terbatas atau pengukuran yang lemah.

Untuk memahami ukuran efek, lihat artikel effect size. Untuk membaca hasil gabungan, lihat artikel meta-analisis.

Pertanyaan yang sering diajukan

Apakah korelasi yang kuat bisa menunjukkan kausalitas?

Tidak dengan sendirinya. Korelasi kuat bisa berasal dari variabel perancu yang sangat berpengaruh. Kekuatan hubungan tidak membedakan arah atau sumbernya.

Apakah studi longitudinal cukup untuk klaim kausal?

Lebih baik daripada potong lintang, tetapi belum cukup. Longitudinal membantu menetapkan urutan waktu, namun masih rentan pada perancu yang berubah bersama waktu.

Bagaimana jika saya hanya punya data korelasi?

Batasi klaim pada hubungan, bukan sebab-akibat. Sebutkan kemungkinan arah terbalik dan perancu, dan gunakan bahasa yang sesuai dengan bukti yang tersedia.

Rujukan

• Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. doi:10.1037/0033-2909.112.1.155
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366. doi:10.1177/0956797611417632
• Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology, 107(11), 2040–2068. doi:10.1037/apl0000994
• Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. doi:10.1037/1089-2680.2.2.175
• Barrick, M. R., & Mount, M. K. (1991). The Big Five personality dimensions and job performance: A meta-analysis. Personnel Psychology, 44(1), 1–26. doi:10.1111/j.1744-6570.1991.tb00688.x
• Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124. doi:10.1371/journal.pmed.0020124