상관관계는 인과관계를 나타내지 않는다. (Correlation does not imply causation.)
비록 상관관계 분석결과가 강한 상관관계인 100%를 보일 지라도,
인과관계를 증명하는 것은 아니다

■ 상관관계(O) : 물을 마신 사람의 100%는 죽는다.
■ 인과관계(X) : 물을 마셨기 때문에 사람은 100% 죽는다.

거짓 원인은 다음과 같이 표현할 수 있다.
■ A의 발생은 B와 상관하고 있다.
■ 따라서, A가 B의 원인이다.

이런 종류의 논리적 오류에서는, 2개 혹은 그 이상의 요인의 사이의 상관관계를 관측한
것만으로, 그러한 인과관계에 붙어 앞당겨진 결론에 달려든다.
일반적으로, 1개의 요인 (A)이 이제 1개의 요인 (B)과 상관하고 있는 것이 관측되었을 때,
그 만큼을 가지고 A가 B의 원인이라고 한다. 그러나, 실제로는 그 밖에 다른 가능성이
있을 수 있으므로, 이러한 오해는 논리적 오류이다.

자연과학에 있어서 다행스러운 것은, 자연 법칙이라는 것은 확실성의 원리를 따른다는 것이다.
즉 세계 어디서든, 과거이건 현재건 미래건 간에 같은 압력에서 섭씨 100도가 되면
물은 수증기가 되고, 구름은 상승기류가 이슬점에 도달했을 때 어디서든 형성된다.

불행히도 사회과학은 그렇지가 못하기 때문에 인과관계의 입증이 훨씬 더 어렵고 복잡하며,
사회과학자들은 항상 조심스럽게 인과관계를 확인하며, 예외가 발생할 수 있음을 인식한다.

그렇다면 인과관계를 확인하려면? 답은 간단하다.
인류는 이 질문에 답하기 위해 이미 실험이라는 아주 믿을 만한 방법을 고안했다.
그리고 이 방법에 의지하면서 인과관계를 하나씩 둘씩 확인하고 있다.

상관관계가 인과관계를 의미하지 않는다면 이것을 어떻게 알아차릴 수 있을까?
바꾸어 말하면 어떤 경우에 상관관계가 인과관계가 있음을 의미할까? 

상관관계가 있는 데이터에 대하여 다음 7가지 추가 확인을 통하여 인과관계가 알려져
있지않은 두 데이터 세트 사이의 상관관계를 찾아내는데 도움을 받을 수 있다.

1. 데이터는 충분히 많아야 한다. 

어떤 상관관계를 관찰하는 경우, 인과관계를 정립하기 위해서는 상당한 위험부담이 있다.
위험 부담율을 높일수록 분석 데이터는 보다 좋은 인과관계를 보여주는데, 이 경우에는
결과의 모집단 일반화를 넘어서는 위험률을 밝혀야 한다.

2. 데이터는 일관성이 있어야 한다.

어떤 데이터가 인과관계를 나타내고 있다면, 다른 모집단에 대한 분석에도 일관성이 있어야 한다.
여기서 다른 모집단이란 예를 들어, 성별, 인종, 소득, 연령 등...

3. 데이터는 구체적이어야 한다.

데이터는 인과관계를 매우 정밀하게 예측해야 한다.
예를 들어, 흡연과 폐암의 인과관계 예측은 폐의 정확히 어느 부위인지까지 데이터가
보여주어야 한다. 일반적인 데이터로는 부정확하기 때문에 인과관계를 분석할 수 없다.

4. 데이터는 시간적인 제약이 있어야 한다.

인과관계를 보여주기 위해서 시간의 경과에 따른 관련성이 증가하는 데이터가 필요하다.
예를 들어, 흡연을 오래할 수록 폐암 위험이 증가한다.

5. 개선적용에 대한 반응결과의 효과 데이터가 있어야 한다.

예측변수의 양이 증가할 때 특정 반응결과가 증가는 데이터, 예를 들면 담배를 더 많이
피우면 폐암 위험률이 높아지는 것과 같은 데이터가 필요하다.

6. 인과 효과는 타당해야 한다.

어떤 유전자 조작식품이 암 발생의 원인이 된다면, 유전자 조작식품과 250여 다른 암중에
어느 하나(소아 자폐증)와 어느 정도의 타당한 구조를 가지는지 효과가 타당해야 한다.

7. 데이터는 논리 정연해야 한다.

다른모형에 대한 실험결과와 같은 다른 유형의 증거를 통해 인과관계를 보충설명해야 한다.

정리하면, 상관관계 그 자체로는 인과관계를 의미하지는 않는다. 
그렇지만, 다른 연구와 분석을 통하여 또 다른 증거가 수집되면 상관관계는 인과관계를
확립하는 기본적인 하나의 증거가 되게된다.