Korelācija liecina par divu mainīgo saistību. Cēloņsakarība parāda, ka viens mainīgais tieši ietekmē izmaiņas citā. Lai arī korelācija var nozīmēt cēloņsakarību, tā atšķiras no cēloņsakarības. Piemēram, ja pētījums atklāj pozitīvu korelāciju starp laimi un bezbērnu, tas nenozīmē, ka bērni rada nelaimi. Faktiski korelācijas var būt pilnīgi nejaušas, piemēram, Napoleona zemais augums un viņa nākšana pie varas. Turpretī, ja eksperiments parāda, ka manipulāciju rezultāts ir nepārspējams konkrēta mainīgā lieluma pētnieki ir vairāk pārliecināti par cēloņsakarību, kas arī apzīmē korelācija.
Statistiskie testi mēra varbūtību, vai korelācija ir saistīta ar nejaušu vai nejaušu saistību. Zināt, ka starp mainīgajiem pastāv statistiski nozīmīga sakarība, ir noderīgi daudzos veidos. Piemēram, mārketinga pētnieki aplūko korelācijas starp reklāmas centieniem un pārdošanu. Lauksaimnieki spriež par korelāciju starp pesticīdu lietošanu un ražas ražu. Sociālie zinātnieki pēta korelācijas starp nabadzību un noziedzības līmeni, lai identificētu iejaukšanās stratēģijas. Korelācijas var būt arī negatīvas virzienā, piemēram, pārtikas preču cenu pieaugums, ja sausuma laikā pārtikas krājumi samazinās.
Ja vējš sagāž koku, tas ir cēlonis un sekas. Citas cēloņsakarības ir sarežģītākas. Piemēram, kad zinātnieki redz daudzsološus rezultātus, ievadot jaunas zāles izmēģinājumos ar cilvēkiem, tiem jābūt pārliecināts, ka zāles izraisa izmaiņas, nevis citi faktori, piemēram, dalībnieku uztura izmaiņas vai dzīvesveids. Pierādījumiem jābūt saistošiem deklarēt cēloņsakarību. Nepietiekami pierādījumi var izraisīt nepatiesu apgalvojumu par ārstēšanu un kļūdainu pārliecību par cēloņiem. Viduslaikos notika raganu medības, jo ciema iedzīvotāji burvju klātbūtnei piedēvēja badu un ciešanas.