Korelacja sugeruje związek między dwiema zmiennymi. Przyczynowość pokazuje, że jedna zmienna bezpośrednio wpływa na zmianę drugiej. Chociaż korelacja może sugerować przyczynowość, jest to coś innego niż związek przyczynowo-skutkowy. Na przykład, jeśli badanie ujawnia pozytywną korelację między szczęściem a bezdzietnością, nie oznacza to, że dzieci powodują nieszczęście. W rzeczywistości korelacje mogą być całkowicie przypadkowe, takie jak niski wzrost Napoleona i jego dojście do władzy. Natomiast jeśli eksperyment wykaże, że przewidywany wynik niezawodnie wynika z manipulacji określonej zmiennej badacze są bardziej pewni przyczynowości, co oznacza również: korelacja.
Testy statystyczne mierzą prawdopodobieństwo tego, czy korelacja wynika z przypadkowego czy nielosowego związku. Wiedza o istnieniu statystycznie istotnej zależności między zmiennymi jest przydatna na wiele sposobów. Na przykład badacze marketingu przyglądają się korelacjom między działaniami reklamowymi a sprzedażą. Rolnicy oceniają korelację między stosowaniem pestycydów a plonami. Socjologowie badają korelacje między wskaźnikami ubóstwa i przestępczości, aby określić strategie interwencji. Korelacje mogą być również negatywne, takie jak wzrost cen artykułów spożywczych, gdy podaż żywności spada podczas suszy.
Jeśli wiatr przewróci drzewo, to przyczyna i skutek. Inne związki przyczynowe są bardziej złożone. Na przykład, gdy naukowcy widzą obiecujące wyniki podawania nowego leku w badaniach na ludziach, muszą: pewne, że to lek powoduje zmianę, a nie inne czynniki, takie jak zmiana diety uczestników lub styl życia. Dowody muszą być przekonujące do stwierdzenia związku przyczynowego. Niewystarczające dowody mogą prowadzić do fałszywych twierdzeń o uzdrowieniach i błędnych przekonań o przyczynach. W średniowieczu rozpoczęło się polowanie na czarownice, ponieważ wieśniacy przypisywali głód i cierpienie obecności czarów.