Pada kajian statistik adalah  korelasi tidak menyiratkan sebab-akibat . Kita tahu  ada korelasi statistik antara makan es krim dan insiden tenggelam, misalnya, tetapi konsumsi es krim tidak menyebabkan tenggelam. Jika ada dua faktor - A dan B - berkorelasi, ada empat kemungkinan: 1. A adalah penyebab B, 2. B adalah penyebab A, 3. korelasinya adalah kebetulan murni dan 4., seperti dalam es kasing, A dan B dihubungkan oleh penyebab umum. Peningkatan konsumsi es krim dan tingkat tenggelam keduanya memiliki penyebab umum dalam cuaca musim panas yang hangat.
Namun demikian, ada pandangan filosofis yang menonjol di mana korelasi dan sebab-akibat disatukan. David Hume (1711-1776), dalam A Treatise of Human Nature , berpendapat  sebab akibat sedikit lebih dari sekadar korelasi. Yang kita tahu adalah  sebab dan akibat terjadi secara teratur dan terus-menerus terjadi bersama,  sebab itu terjadi sebelum akibat, dan  mereka terjadi bersebelahan di ruang angkasa. Jadi, tampaknya korelasi Hume cukup untuk menyimpulkan sebab-akibat, selama dua syarat lainnya terpenuhi.
Mengapa berkorelasi; Mengapa berasumsi  kausal terkait dengan korelasi sama sekali? Lagipula, tidak ada korelasi yang ditemukan dalam sains yang sempurna. Tidak ada 'konjungsi yang konstan', seperti yang disebut oleh David Hume.
Kita tahu  merokok menyebabkan kanker. Tetapi kita juga tahu  banyak orang yang merokok tidak terkena kanker. Klaim kausal tidak dipalsukan oleh contoh tandingan, bahkan tidak oleh sejumlah besar dari mereka. Pil kontrasepsi telah terbukti menyebabkan trombosis, tetapi hanya pada 1 dari 1000 wanita. Mengikuti Popper, kita dapat mengatakan  untuk setiap kasus di mana penyebabnya diikuti oleh efeknya ada 999 contoh tandingan. Alih-alih memalsukan hipotesis  pil menyebabkan trombosis, kami membuat daftar trombosis sebagai efek samping yang diketahui. Penyebabnya masih sangat banyak diasumsikan meskipun hanya terjadi pada kasus yang jarang.
Korelasi biasanya sekarang dianggap datang dalam berbagai kekuatan. Jika satu mengubah satu variabel x, dan yang lain, y, secara teratur berubah dengannya, kami membawanya untuk menunjukkan beberapa jenis hubungan sebab akibat. Tetapi apakah bahkan korelasi-korelasi ini, terkadang lemah, merupakan penyebab? Atau mereka hanya tanda-tanda itu?
Penyebab sebagai kecenderungan; Mungkin kita perlu mencari apa yang akan ada di balik korelasi tersebut. Seseorang dapat memahami suatu sebab, misalnya, sebagai kecenderungan terhadap akibatnya. Merokok memiliki kecenderungan terhadap kanker, tetapi tidak menjaminnya. Pil kontrasepsi memiliki kecenderungan terhadap trombosis tetapi relatif kecil. Namun, tertabrak kereta api cenderung menuju kematian. Kita melihat  kecenderungan datang dalam derajat, seperti halnya penyebab, beberapa sangat cenderung pada efeknya dan beberapa hanya lemah.
Ciri mendasar dari sebab akibat tampaknya adalah  suatu efek dapat dilawan secara aditif: dengan menambahkan sesuatu pada situasi yang cenderung jauh dari hasil. Kami menggunakan sabuk pengaman, alarm kebakaran, helm sepeda motor, dan sejumlah sistem keamanan lainnya, semuanya dengan harapan dapat mencegah atau setidaknya meminimalkan efek jika penyebabnya terjadi.
Jika kita percaya  penyebab selalu dan selalu berkorelasi dengan efeknya, tidak akan ada gunanya mencoba mengganggu secara aditif. Yang dapat kita lakukan untuk mencegah hasil adalah memastikan  penyebabnya tidak pernah terjadi. Katakanlah kita ingin menghindari tekanan darah tinggi. Daripada minum obat, kita bisa menghilangkan satu atau lebih faktor penyebab yang cenderung ke tekanan darah tinggi: garam, stres, merokok, lemak, dan sebagainya. Kita bisa menyebut gangguan subtraktif ini.
Penyebab dalam sains; Apakah penting bagi sains apakah kita menghubungkan sebab-akibat dengan korelasi atau kecenderungan? Bisa dibilang begitu. Jika kita mencari sebab akibat melalui data korelasi, mungkin ada beberapa kecenderungan yang terlalu lemah untuk dianggap signifikan secara ilmiah. Apakah ini berarti sebab-akibat tidak ditetapkan?
Ada dua gagasan sebab-akibat yang tampaknya berlawanan arah. Pertama, sebab akibat membutuhkan korelasi yang kuat. Yang lain adalah  semua hukum kausal benar hanya ceteris paribus : dalam kondisi ideal. Jadi sementara sebagian besar hukum fisika peduli dengan apa yang terjadi dalam vakum, bebas dari faktor-faktor yang mengganggu, dunia tempat kita hidup ini memang tidak seperti ini.
Gagasan pertama, korelasi kuat, menunjukkan  jika penyebabnya terjadi dalam berbagai konteks, efeknya tetap harus terjadi. Ini penting ketika kami menggunakan statistik untuk mencari penyebab. Namun, gagasan kedua menunjukkan  variasi kontekstual akan memengaruhi sebab akibat. Dalam percobaan, misalnya, kami mengamati penyebabnya dalam kondisi yang berbeda untuk melihat bagaimana perubahan hasilnya.
