Chapter Correlation vs Causation pada Section Korelasi dan Regresi menutup dengan daftar pertanyaan skeptis untuk analis. Kebutuhannya tidak berhenti di ruang analisis: versi paling berpengaruh dari kekeliruan korelasi-kausalitas berlangsung di media dan kebijakan publik, tempat satu judul dibaca jutaan orang dan satu program dijalankan berdasarkan asosiasi yang belum teruji. Chapter ini memperluas perlengkapan tersebut ke ranah jurnalistik dan kebijakan: memetakan hierarki desain studi, membaca ulang tiga kisah yang akrab menjadi berita, lalu menyusun panduan melaporkan dan menilai klaim kausalitas.
Rekap: Tiga Penjelasan di Balik Satu Korelasi #
Setiap korelasi yang teramati hanya punya sedikit kandidat penjelasan: kebetulan sampling (semakin banyak pasangan variabel diuji, semakin banyak korelasi “signifikan” yang muncul dari ketiadaan hubungan), variabel pengacau yang mendorong keduanya sekaligus, arah sebab-akibat yang terbalik dari yang diceritakan, atau memang sebab-akibat yang sah. Data korelasional semata tidak bisa memilihkan kandidat mana yang berlaku — hanya desain penelitian yang bisa. Demonstrasi numeriknya telah kita kerjakan di chapter asal: korelasi es krim dengan dehidrasi sebesar 0.8628 yang jatuh ke 0.0000 setelah suhu ditahan konstan, bersama seluruh kerangka pertanyaan skeptisnya. Seluruh alat itu tetap berlaku di sini; yang baru adalah konteks pemberitaan dan kebijakan.
Hierarki Bukti Antar Desain Studi #
Antara data korelasional mentah dan eksperimen sempurna ada tangga desain penelitian yang kualitas buktinya berjenjang. Tabel berikut memeringkat empat desain yang paling sering muncul di pemberitaan:
| Desain | Cara kerja | Kekuatan | Kelemahan utama |
|---|---|---|---|
| RCT (randomized controlled trial) | peserta dialokasikan acak ke perlakuan atau pembanding | confounder tersebar seimbang; klaim kausal paling kuat | mahal; tidak selalu layak secara etis atau praktis |
| Studi kohort prospektif | kelompok terpapar dan tidak terpapar diikuti maju waktu | urutan waktu jelas; cocok paparan jangka panjang | durasi lama; confounder masih bisa tersisa |
| Case-control | kelompok dengan dan tanpa hasil dibandingkan riwayatnya mundur | efisien untuk kejadian yang jarang | rentan bias ingatan dan bias pemilihan sampel |
| Studi ekologi | agregat antarwilayah atau antarwaktu dibandingkan | mudah dari data sekunder | simpulan tingkat kelompok tidak bisa dibawa ke individu |
Semakin ke atas tangga, semakin sedikit penjelasan alternatif yang tersisa; semakin ke bawah, semakin banyak pertanyaan tambahan yang wajib dilaporkan bersama hasilnya. Jenis desain justru adalah informasi pertama yang harus dicari saat membaca berita tentang sebuah temuan — sebelum besar efeknya sekalipun.
Tiga Kisah yang Sering Menjadi Berita #
Kopi dan umur panjang: studi observasional yang menemukan peminum kopi hidup lebih lama sulit melepaskan diri dari status sosial ekonomi sebagai confounder. Di banyak negara, kebiasaan kopi harian yang stabil lebih umum pada kelompok berpendapatan lebih tinggi, dan kelompok itu juga punya akses layanan kesehatan lebih baik; sebagian asosiasi “peminum kopi hidup lebih lama” menurun setelah status sosial ekonomi dikontrol, dan sisanya bukan bukti sebab-akibat. Olahraga dan mood: korelasinya nyata pada hampir semua survei, tetapi arahnya tidak tunggal — orang dengan mood yang baik lebih cenderung berolahraga, dan berolahraga bisa memperbaiki mood; data korelasional tidak bisa memilah porsi masing-masing arah. Es krim dan dehidrasi: korelasi musiman yang sepenuhnya berasal dari musim panas yang menaikkan keduanya, persis demonstrasi confounder pada chapter asal. Ketiganya bukan alasan untuk mengabaikan studi observasional — melainkan alasan untuk membacanya dengan nama desainnya.
Judul Berita dan Isi Studi #
Kesalahan paling produktif terjadi pada jarak antara isi studi dan judul berita. Isi studi menggunakan bahasa yang dibatasi desainnya; judul memotong batasan itu:
| Judul yang beredar | Yang sebenarnya didukung isi studi |
|---|---|
| “Kopi Perpanjang Umur” | Asosiasi observasional; confounder status sosial ekonomi belum sepenuhnya terkontrol |
| “Olahraga Memperbaiki Mood” | Korelasi antar responden pada satu titik waktu; arah sebab-akibat tidak ditetapkan |
| “Es Krim Berkaitan dengan Dehidrasi” | Asosiasi yang tidak lagi muncul setelah musim dikontrol dalam subkelompok |
Pembaca yang membuka tautan sumber akan menemukan kalimat pembatas itu di bagian diskusi; pembaca yang berhenti di judul menerima versi kausalnya. Jurnalis yang baik berdiri di antara keduanya — menarik tanpa memotong batas bukti, karena judul yang menjanjikan sebab-akibat dari studi asosiasi adalah utang yang dibayar pembaca.
Panduan Melaporkan Temuan Data #
Melaporkan temuan statistik secara bertanggung jawab bisa dirumuskan menjadi daftar kebiasaan kecil yang bisa diterapkan siapa pun yang menulis — jurnalis, analis, atau pembuat infografik:
- Tulis “berkorelasi”, “berasosiasi”, atau “berkaitan” — bukan “menyebabkan” — sampai syarat kausalitas terpenuhi.
- Sebut desain studi pada kalimat pertama: “studi observasional terhadap 40 ribu orang”, bukan sekadar “penelitian menemukan”.
- Laporkan besar hubungan dan ketidakpastiannya, bukan hanya bahwa hubungan “signifikan”.
- Sebut variabel pengacau utama yang sudah dan belum dikontrol.
- Cantumkan pembatasan versi penulis studi, bukan kesimpulan versi judul.
- Tahan generalisasi ke populasi atau periode yang tidak diteliti.
- Tautkan sumber aslinya agar pembaca dapat memeriksa sendiri.
Kapan Klaim Kausal Layak Diajukan #
Klaim sebab-akibat layak diajukan bila bukti menumpuk dari arah yang berbeda: eksperimen terkontrol dengan randomisasi yang bisa direplikasi, mekanisme yang masuk akal dan terukur, serta konsistensi lintas studi dan populasi. Kerangka klasik untuk menimbang bukti observasional adalah kriteria Hill — sekumpulan pertimbangan yang mencakup kekuatan asosiasi, konsistensi antarpenelitian, urutan waktu, gradien dosis-respon, dan plausibilitas mekanisme. Kasus yang sama dengan chapter asal tetap contoh terbaiknya: hubungan merokok dengan penyakit paru tidak pernah dibuktikan lewat eksperimen atas manusia, tetapi kausalitasnya kokoh karena ratusan studi observasional saling searah, dosis-responnya jelas, urutan waktunya benar, dan mekanismenya terukur. Satu studi, sekuat apa pun korelasinya, tidak masuk ke kategori itu.
Checklist untuk Klaim Kausalitas #
Bila sebuah klaim sebab-akibat menemui kita — di berita, proposal, atau presentasi — tujuh pertanyaan berikut menentukan seberapa jauh klaim itu layak dipercaya:
- Datanya hasil eksperimen dengan randomisasi, atau observasional?
- Bila observasional: variabel pengacau apa yang sudah dikontrol, dan apa yang belum?
- Apakah arah waktu jelas — paparan mendahului hasil?
- Bisakah arah sebab-akibatnya terbalik dari yang diceritakan?
- Apakah hubungan tetap muncul pada subkelompok dan studi ulang yang independen?
- Adakah mekanisme yang masuk akal menghubungkan X ke Y?
- Seberapa besar efeknya — cukup besar untuk bermakna praktis?
Interpretasi yang bertanggung jawab, pada akhirnya, adalah pertanyaan tentang siapa yang berhak atas data dan bagaimana data itu dikumpulkan. Chapter penutup section ini menghadirkan sisi etikanya secara penuh: kerahasiaan responden, anonimisasi versus pseudonimisasi, risiko re-identification, serta regulasi perlindungan data. Pendalaman desain studi dan kausalitas tersedia di OpenIntro Statistics dan Penn State STAT 500 .