Relacje te są względne – ta sama zmienna może pełnić różne role w stosunku do różnych sąsiadów, zależnie od tego, jaką analizujemy „ścieżkę przyczynową” w systemie. Nota bene, metateoria przyczynowości używająca grafów, reprezentowana m.in. przez Pearla, nie jest jedyną ani uniwersalnie stosowaną perspektywą rozpatrywania tego zagadnienia – alternatywą jest np. podejście Neymana-Rubina. Kładzie ona większy nacisk na poprawność prognoz płynących z modelu, niż na precyzyjne określenie jego wewnętrznych parametrów.
Pominięcie zmiennych w regresji liniowej Załóżmy, że prawdziwy związek przyczynowy odzwierciedla model regresji
zawierający parametry zmienną objaśnianą zmienne objaśniające i oraz wyraz błędu Badacz zainteresowany siłą efektu na chce uzyskać prawidłowe oszacowanie parametru Problem pominięcia zmiennych pojawia się, gdy model przyjęty przez badacza nie uwzględnia zmiennej a jest ona częściowo skorelowana z
z parametrami i wyrazem błędu Po podstawieniu do pierwszego równania uzyskujemy:
Jeśli regresja jest wykonana jedynie na zmiennej parametr zostanie błędnie oszacowany jako stanowiąc nie tylko estymację własnej siły efektu ale jego sumy z efektem zapośredniczonym przez korelację i Innymi słowy, przez pominięcie zmiennej w regresji, oszacowujemy pochodną zupełną względem a nie odpowiednią pochodną cząstkową.