Строгий ответ «нет, причинно-следственная связь не обязательно подразумевает корреляцию».
Рассмотрим и . Причинность не становится сильнее: определяет . Тем не менее, корреляция между и равна 0. Доказательство: (объединенные) моменты этих переменных: ; ; используя свойство стандартного нормального распределения в том, что все его нечетные моменты равны нулю (можно легко получить, скажем, из его производящей момент функции). Следовательно, корреляция равна нулю.Y = X 2 ∼ χ 2 1 X Y X Y E [ X ] = 0 E [ Y ] = E [ X 2 ] E [X∼N(0,1)Y=X2∼χ21XYXYE[X]=0E[Y]=E[X2]=1
Cov[X,Y]=E[(X−0)(Y−1)]=E[XY]−E[X]1=E[X3]−E[X]=0
Чтобы ответить на некоторые комментарии: единственная причина, по которой этот аргумент работает, заключается в том, что распределение центрировано в нуле и симметрично относительно 0. На самом деле, любое другое распределение с этими свойствами, которое имело бы достаточное количество моментов, работало бы в место , например, равномерное на или Laplace . Упрощенный аргумент состоит в том, что для каждого положительного значения существует одинаково вероятное отрицательное значение той же величины, поэтому, когда вы возводите квадрат в квадрат , вы не можете сказать, что большие значения связаны с большими или меньшими значениями. изXN(0,1)(−10,10)∼exp(−|x|)XXXXY, Однако если вы скажете, скажем, , то , , и . Это имеет смысл: для каждого значения ниже нуля, есть гораздо более вероятное значение , которая находится выше нуля, так что большие значения связаны с большими значениями . (Последнее имеет нецентральную распределения , вы можете вытащить отклонение от страницы Википедии и вычислить корреляцию , если вы заинтересованы.)X∼N(3,1)E[X]=3E[Y]=E[X2]=10E[X3]=36X - X X Y χ 2Cov[X,Y]=E[XY]−E[X]E[Y]=36−30=6≠0X−XXYχ2