Correlatie versus causaliteit in je eigen data: hoe je je eigen cijfers eerlijk leest

Hier is een zin die waar klinkt. “Op dagen dat ik meer water dronk was ik meer geconcentreerd. Dus water verbetert mijn focus.” De eerste helft klopt. De tweede is een sprong, en in die sprong gaat persoonlijke analyse het vaakst stilletjes mis.

Dit artikel gaat over die sprong. Wat een correlatie in je eigen data je wel vertelt, wat niet, de vier meest gemaakte verkeerde lezingen, en hoe je toch naar een patroon kunt handelen zonder te overdrijven. Ben je hier nieuw in, begin dan bij onze gids over persoonlijke analyse en kom terug als je een paar weken hebt gelogd.

Wat een correlatie eigenlijk is

Een correlatie is, in persoonlijke zin, een kleine statistische observatie. Ze zegt: in jouw data, in deze periode, bewogen twee velden vaak samen. Wanneer de één hoog was, was de ander hoog. Of wanneer de één hoog was, was de ander laag. Over veel dagen vielen dagen met veel water vaker samen met dagen van veel focus dan niet.

Dat is een echt feit over je logs. Het is ook een veel smaller feit dan het voelt.

Een correlatie is op drie manieren tegelijk begrensd. Begrensd tot jou, niet tot iemand anders. Begrensd tot deze periode in je leven, niet tot de rest. En begrensd door alles wat er op die dagen ook nog gebeurde, en wat de correlatie stilletjes opzuigt in haar eigen vorm. Het getal dat je ziet is het patroon nadat het leven er doorheen is geperst, niet daarvoor.

Een correlatie lezen alsof het een schone natuurkundige wet is, is de makkelijkste fout, en de meeste tracker-apps doen niets om dat tegen te houden.

Wat een correlatie niet is

Vier dingen in het bijzonder. Geen ervan is een muggenzifterij. Ze zijn het verschil tussen je data goed gebruiken en jezelf voor de gek houden.

Het is geen bewijs dat het één het ander veroorzaakte

Als water en focus samen bewegen, passen meerdere verhalen even goed. Misschien helpt water de focus. Misschien zorgt focus, of wat een geconcentreerde dag maakt, er ook voor dat je meer water drinkt (je dacht aan de fles omdat de dag rustig was). Misschien volgen beide uit iets anders, een rustige agenda, een weekend, een seizoen. De correlatie kan dat niet uit elkaar halen. Alleen een experiment kan dat beginnen te doen.

Het is geen bewijs dat het patroon volgende maand standhoudt

Een patroon dat in maart helder was kan in april verdwijnen. Je leven verandert, je gewoonten veranderen, de seizoenen veranderen. Een correlatie beschrijft wat is gebeurd, niet wat zal gebeuren. Haar als voorspelling lezen is overlezen.

Het is geen bewijs dat het patroon voor iemand anders geldt

Je huisgenoot kan exact dezelfde velden voor exact dezelfde weken loggen en een andere vorm krijgen. Persoonlijke analyse is, per ontwerp, persoonlijk. Een patroon in jouw data heeft geen aanspraak op iemand anders, en die van hen heeft geen aanspraak op jou.

Het is op zichzelf niet handelingsklaar

Dit wordt het vaakst overgeslagen. Zelfs een sterke correlatie vertelt je niet, op zichzelf, of het veranderen van het ene veld het andere zal veranderen. Omdat de oorzaak de andere kant op kan lopen, of via een derde factor, is “doe meer X om meer Y te krijgen” een hypothese, geen conclusie. De eerlijke zet bij een sterke correlatie is “laat ik dit testen”, niet “laat ik hiernaar handelen”.

De vier meestgemaakte verkeerde lezingen

Als je een paar maanden zorgvuldig logt, kom je ze alle vier tegen. Ze benoemen helpt.

De richting verwarren

Water en focus is het klassieke voorbeeld. Hielp het water de focus, of bleek de soort dag waarop jij je kunt concentreren toevallig ook de soort dag waarop je water drinkt? Je voelt dat het eerste klopt. De data zwijgt.

Een richtingsverwarde lezing maakt van “X correleert met Y” reflexmatig “X veroorzaakt Y”, terwijl “Y veroorzaakt X” of “ze delen een oorzaak” net zo goed bij dezelfde cijfers passen.

Verborgen variabelen (de derde factor)

Beide velden kunnen samen bewegen omdat iets anders beide beweegt. Slaap. Stress. Weekend tegenover doordeweeks. Een deadline. Een vakantie. Het weer. Je data ziet de twee velden, niet de verborgen derde, en die verborgen derde blaast de schijnbare band stilletjes op.

Een nuttige oefening: als je een sterke correlatie ziet, schrijf drie andere dingen op die op de X-hoge dagen ook gebeurden. Als de meeste daarvan met X meereizen, leent het X-naar-Y-verhaal waarschijnlijk zijn kracht ergens anders vandaan.

Omgekeerde oorzaak

“Meer water leidt tot meer focus” kan omdraaien zonder dat de data breekt. “Meer moe leidt tot minder water, omdat moe-jou de fles vergeet” levert dezelfde puntenwolk op. Vanuit een correlatie kun je niet weten welke waar is. Je kunt het raden vanuit zelfkennis, maar wees eerlijk: je redeneert, je meet niet.

Toeval

De stilste en meest voorkomende. Bij een kleine set dagen kan een redelijk strak patroon opduiken simpelweg omdat kleine steekproeven dat soms doen. Twee weken van “telkens als ik sportte voelde ik me beter” kunnen in week zes platzakken. Hoe korter het venster, hoe meer ruimte ruis heeft om op een verhaal te lijken.

De remedie is meer data. Patronen die een maand of twee eerlijk loggen overleven verdienen meer gewicht dan patronen die in twaalf dagen opduiken.

Hoe je een door Loggr getoonde correlatie eerlijk leest

Als Loggr een patroon laat zien, doet het dat in heldere taal, met een klein grafiekje. Iets als “op trainingsdagen lag je stemming merkbaar hoger dan op niet-trainingsdagen”. Loggr beweert geen oorzaak, vertelt je niet wat te doen en labelt de sterkte zodat je kunt ijken.

Dat is de input. Hier is een checklist voor wat je ermee doet voordat je iets internaliseert.

Vraag wat die dagen verder gemeen hadden

De trainingsdagen zijn waarschijnlijk niet alleen trainingsdagen. Het zijn misschien ook de dagen dat je goed sliep, de dagen met een rustigere agenda, de dagen dat je je al goed genoeg voelde om in beweging te willen komen. Het patroon dat Loggr laat zien is de omtrek van de relatie. De binnenkant is aan jou.

Een simpele test: zet je dagnotities van de hoge en de lage dagen naast elkaar. Lees ze. Vaak verschuift het verhaal.

Vraag hoeveel data eronder zit

Sterk met een maand of twee aan consistente logs is geloofwaardiger dan sterk met twee weken. Loggr toont een patroon pas als er genoeg gekoppelde dagen achter zitten, maar de drempel “genoeg” is het minimum voor een geloofwaardige blik, niet voor een gesloten conclusie. Een patroon dat een heel seizoen heeft standgehouden is wezenlijk anders dan een dat net over de lijn is.

Vraag hoe groot het verschil eigenlijk is

Als op sportdagen je stemming gemiddeld 7,0 was en op niet-sportdagen 6,8, is dat amper een verhaal. Als sportdagen 7,0 waren en niet-sportdagen 5,0, is dat wel een verhaal. Loggr laat de vergelijking zien zodat je het verschil ziet; stop niet bij “Loggr noemde het sterk” en sla het deel waarin je naar de cijfers kijkt niet over.

Vraag of je al wilde dat dit waar was

De moeilijkste. Als een patroon overeenkomt met een overtuiging waarmee je binnenkwam, behandel het met meer scepsis, niet minder. Bevestigingsbias is de sterkste kracht in persoonlijke analyse, met een marge die de meeste mensen onderschatten. Een patroon dat je verrast is informatiever dan een patroon dat je bevestigt, omdat je overtuigingen al aan de data trokken.

Wat je wél met een correlatie kunt doen

Het doel van dit alles is niet om je te laten stoppen naar je data te kijken. Het tegenovergestelde. Correlaties in persoonlijke data zijn nuttig als je ze behandelt als wat ze zijn: een hypothesegenerator, geen conclusie. Drie productieve gebruiken.

Een klein experiment opzetten

Zodra je “trainingsdagen correleren met betere stemming” ziet, is de productieve volgende stap een klein experiment. Train bewust op een reeks dagen waarop je dat misschien niet zou doen, houd al het andere zo constant als het leven toelaat, en kijk wat gebeurt. Zelfs een informele versie hiervan is eerlijker dan naar de correlatie handelen alsof het een bewijs was. Het experiment is het punt.

Daarom horen patronen op dezelfde dag en de dag erna in de gereedschapskist. We schreven los over effecten van gisteren: de kloof tussen oorzaak en gevolg is een deel van wat een experiment moet kiezen.

Opmerken wat je niet zag

Een patroon is soms nuttiger om wat het impliceert dan om wat het zegt. “Sport correleert met stemming” zegt misschien iets over sport. Of het zegt je dat de dagen zonder sport vaak zondagen zijn, en dat iets aan jouw zondagen het echte verhaal is. De correlatie wees op sport; wat je opmerkte was iets anders. Dat telt.

Zelfkennis opbouwen over tijd

Weten dat drie dingen vaak samen in je leven opduiken is nuttig zelfs zonder oorzakelijk verhaal. Je kent de vorm van je eigen week. Je weet welke maandagen vaak zwaarder zijn. Niets daarvan vereist een bewezen oorzaak. Het vereist alleen een eerlijke beschrijving, lang genoeg herhaald om stabiel te worden.

Hoe Loggr hieromheen is gebouwd

De keuze zie je in het product.

• Loggr toont patronen in heldere taal. Geen jargonscore, geen oorzaakclaim, geen advies. De zin beschrijft wat is gebeurd, niet wat je moet doen.
• Loggr labelt de sterkte: zwak, matig of sterk. Een zwak patroon wordt getoond als wat het is, niet opgesmukt.
• Loggr toont pas een patroon als er genoeg gekoppelde dagen achter zitten. Daaronder verschijnt het inzicht vergrendeld, met een korte notitie over wat er nog nodig is.
• Loggr vergelijkt velden op dezelfde dag en met één dag verschil, en houdt de sterkste relatie over. Dat is het mechanisme uit de gids over paren bijhouden. Het werkt twee kanten op: een patroon op dezelfde dag kan een patroon van de dag erna verbergen, en andersom.
• Loggr interpreteert het patroon niet voor jou. Interpreteren is denken, en denken is wat de hele oefening zinvol maakt.

De moeilijke discipline

Als je uit dit hele artikel één gewoonte meeneemt, neem dan deze. Wanneer een correlatie iets lijkt te bevestigen dat je al geloofde, wees dan sceptischer, niet minder.

De reden is structureel. Je overtuigingen over je leven vormden vanaf het begin hoe je logde: welke velden je koos, hoe je je stemming beoordeelde, wat je je herinnerde. Een patroon dat die overtuigingen bevestigt weerspiegelt deels die keuzes, het is geen onafhankelijk feit. Een patroon dat ze tegenspreekt moest zich door je bias heen werken om op te duiken. Het verdiende de aandacht.

Wanneer een sterke correlatie op iets landt dat je al wist, vertraag. Loop de vier verkeerde lezingen hierboven door. Stel de vier checklistvragen. Beslis dan of je wilt testen. Meestal overleeft het patroon het onderzoek en heb je iets eerlijks geleerd. Soms niet, en heb je iets nog eerlijkers geleerd: dat je je data door een lens las.

FAQ

Als ik geen oorzaak kan bewijzen, wat is dan het nut?

Scherpere aandacht. Persoonlijke data vervangt denken niet. Het richt je denken op de juiste plekken. Een correlatie zegt “dit is misschien een blik waard”. Dat is nuttig, zolang je het niet promoveert tot “dit is het antwoord”.

Kan ik A/B-testen op mezelf doen?

Formeel ja. Verander één input, houd de andere zo constant als het leven toelaat, log een paar weken, draai de input dan om en log nog een paar. Vergelijk. Je krijgt iets dat dichter bij een oorzakelijke lezing ligt dan een passieve correlatie kan geven. Twee kanttekeningen. Je bent nog steeds één persoon, dus het resultaat gaat over jou in deze periode en niets meer. En het leven laat zelden al het andere constant. Persoonlijke A/B-tests zijn nuttig en beperkt, allebei tegelijk.

Moet ik op een sterke correlatie handelen?

Misschien, als experiment. Niet als conclusie. De eerlijke formulering is: “ik probeer dit twee weken en zie wat gebeurt, en ik zal niet verbaasd zijn als het niets oplevert”.

Wat als de correlatie iets tegenspreekt dat ik geloofde?

Geef het meer aandacht, niet minder. Patronen die tegengestelde overtuigingen overleven zijn meestal eerlijker dan patronen die bevestigen. Een tegendraads patroon kwam er ondanks de trek van je overtuigingen. Dat is harder bewijs, naar de maatstaven van persoonlijke analyse.

Hoe lang voordat ik een patroon kan vertrouwen?

Een handige vuistregel: een week om in te richten, een maand voor de eerste geloofwaardige blik, een seizoen voor serieus gewicht. Patronen die een kwartaal standhouden, door verschillende stemmingen en weken heen, zijn steviger dan patronen die in een intense twee weken opduiken.

Wat als Loggr twee patronen toont die elkaar tegenspreken?

Dat gebeurt. Twee velden kunnen met een derde in tegengestelde richtingen correleren. Of een patroon op dezelfde dag kan één kant op gaan, en eentje van de dag erna de andere. Dat is de data die eerlijk is met zichzelf. De juiste lezing is meestal “hier zit een ingewikkelder verhaal”, niet “een van de twee zit ernaast”.

Belangrijkste punten

• Een correlatie in je data is een beschrijving van wat er in deze periode in jouw leven gebeurde, met al het andere erin opgezogen. Het is echt. En smaller dan het lijkt.
• Een correlatie is geen bewijs van oorzaak, geen voorspelling, geen veralgemening naar anderen en op zichzelf niet handelingsklaar.
• De vier veelgemaakte verkeerde lezingen: verwarde richting, verborgen derde variabelen, omgekeerde oorzaak en kleine-steekproef-toeval. Het is makkelijk in alle vier te vallen. Geen ervan is rampzalig als je eerlijk blijft.
• Lees een Loggr-patroon met vier vragen: wat hadden die dagen verder gemeen, hoeveel data zit eronder, hoe groot is het verschil, en wilde ik al dat dit waar was?
• Het productieve gebruik van een correlatie: een klein experiment opzetten, opmerken wat je niet zag en zelfkennis opbouwen in de tijd. Geen van deze vereist een oorzaakclaim.
• Wanneer een patroon iets bevestigt dat je al geloofde, wees dan sceptischer, niet minder. Bevestigingsbias is de sterkste kracht in persoonlijke analyse.

Probeer dit de volgende keer dat Loggr een patroon toont

De volgende keer dat Loggr een correlatie in je data laat zien, handel dan nog niet. Schrijf drie andere dingen op die het zouden kunnen verklaren, en beslis dan of een daarvan plausibeler is dan het verhaal waar je het eerst naar greep. De oefening is het punt. Als je nog niet bent begonnen met loggen, kun je Loggr openen en je eerste veld in een minuut aanmaken. Zes veldtypes, op iOS, Android en web. De patronen verschijnen als er genoeg is om ze te dragen, in heldere taal, met een klein grafiekje. Ze eerlijk lezen blijft jouw taak, en dat is het deel dat de moeite waard is.