2023년 1월 고2 모의고사 33번 영어 지문 분석 및 해설

Correlations are powerful because the insights they offer are relatively clear. These insights are often covered up when we bring causality back into the picture. For instance, a used-car dealer supplied data to statisticians to predict which of the vehicles available for purchase at an auction were likely to have problems. A correlation analysis showed that orange-colored cars were far less likely to have defects. Even as we read this, we already think about why it might be so: Are orange-colored car owners likely to be car enthusiasts and take better care of their vehicles? Or, is it because orange-colored cars are more noticeable on the road and therefore less likely to be in accidents, so they're in better condition when resold? Quickly we are caught in a web of competing causal hypotheses. But our attempts to illuminate things this way only make them cloudier. Correlations exist; we can show them mathematically. We can't easily do the same for causal links. So we would do well to hold off from trying to explain the reason behind the correlations.::상관관계는 그것들이 제공하는 통찰력이 비교적 명확하기 때문에 강력하다. 이러한 통찰력은 종종 우리가 인과 관계를 그 상황으로 다시 가져올 때 가려진다. 예를 들어, 한 중고차 딜러가 경매에서 구입할 수 있는 차량들 중 어떤 차량에 문제가 발생할 가능성이 있는지를 예측하기 위한 데이터를 통계학자들에게 제공했다. 한 상관관계 분석은 주황색 차들이 결함이 있을 가능성이 훨씬 적다는 것을 보여 줬다. 심지어 우리가 이것을 읽으면서도, 우리는 이미 왜 그럴지에 대해 생각한다: 주황색 차를 소유한 사람들이 자동차 애호가여서 그들의 차량을 더 잘 관리할 가능성이 있는가? 아니면, 주황색 차들이 도로에서 더 눈에 띄고, 그래서 사고가 날 가능성이 적어 재판매될 때 그것들이 상태가 더 좋은 것이기 때문인가? 곧 우리는 경쟁적인 인과 가설의 함정에 빠진다. 하지만 이런 식으로 무언가를 설명하려는 우리의 시도는 그것들을 더 흐리게 만들 뿐이다. 상관관계는 존재하며 우리는 그것들을 수학적으로 보여줄 수 있다. 우리는 인과 관계에 대해서는 쉽게 똑같이 할 수 없다. 따라서 우리는 상관관계의 배후에 있는 이유를 설명하려 하지 않는 것이 좋다.