Zonder verduidelijking is het inderdaad lastig om een antwoord te geven. Ik zal het toch alvast geven voor een specifieke vergelijking: observationele designs (waarin niets wordt gemanipuleerd) met experimentele designs (waarin wel iets wordt gemanipuleerd). In een observationeel design worden de onafhankelijke en afhankelijke variabele beiden gemeten. Vervolgens kun je aan de hand van hoe sterk het verband tussen die twee variabelen in je steekproef is, schatten hoe sterk het verband tussen die twee variabelen waarschijnlijk in de populatie (i.e. in 'het echt', in de realiteit) is. Zo kun je dus vaststellen of het aannemelijk is dat als iemand hoog scoort op de ene variabele, dat diegene dan ook hoog (of juist laag) scoort op de andere variabele.
Maar, causaliteit is een veel (echt heeeeeeeeeel veel) sterkere uitspraak. Causaliteit betekent: de ene variabele beïnvloedt de andere variabele. Als je weet dat zo'n oorzakelijk verband bestaat, geeft dat je macht over de realiteit: je kunt die doelgericht gaan manipuleren. Je kunt immers de ene variabele veranderen om de andere te veranderen. Dit is het soort begrip dat we inmiddels hebben verkregen in de kernfysica, werktuigbouwkunde en farmacologie. We weten hoe we atomen kunnen splijten en hoe we medicatie maken die bindt aan (bijvoorbeeld) serotonerge receptoren. We kunnen bruggen bouwen en vliegtuigen, en die werken allemaal ook nog. Dus, iets weten over causaliteit is extreem informatief.
Maar, die invloed (je kunt A veranderen en dan verandert B daardoor ook) kun je alleen bepalen als je die onderzoekt in een studie. Als je A en B beiden meet, en ze hangen samen, dan impliceert dat geenszins dat A een oorzakelijk verband heeft met B. Dat verband kan immers ook tot stand komen omdat B invloed heeft op A (en dan kun je A veranderen zoveel je wil, maar dan gebeurt er niets met B), of (en dit is wat er in veruit de meeste gevallen speelt): zowel A als B worden veroorzaakt door een onbekende variabele C, of een combinatie van onbekende variabelen C, D, E, F, G, en H-Z. Toevallige samenhang, zoals op http://www.tylervigen.com/spurious-correlations, is een voorbeeld van die laatste situatie. Om allerlei redenen die niets met elkaar te maken hebben kunnen patronen heel erg op elkaar lijken.
Als je twee variabelen meet, is er geen manier om te bepalen of eventuele samenhang tussen die twee variabelen komt omdat de ene de andere beinvloedt, of dat er sprake is van een ander scenario. De enige manier om te bepalen of er sprake is van een causaal verband, is een experiment.
Er zijn overigens wel uitzonderingen. Als je miljarden in multidisciplinair onderzoek steekt en een uitzonderlijk sterk theoretisch kader hebt, dan kun je na decennia aan onderzoek toch leren over causaliteit zonder dat je een experiment doet. Dit is hoe we bijvoorbeeld zeker weten dat er een causaal verband is tussen roken en longkanker. Maar die situatie (miljarden en decennia voor multidisciplinair onderzoek) is zeldzaam.
Tot slot kun je heel soms uit observationeel onderzoek conclusies trekken over causaliteit. Maar, dit is grotendeels een theoretisch verhaal: in de psychologie is het praktisch onmogelijk om te voldoen aan de voorwaarden waaraan je moet voldoen om dat recht te krijgen. Bovendien is dit ontzettend complex, en omdat je het bijna nooit kunt gebruiken valt het dus buiten het curriculum.
Jammer genoeg volgt uit de rijkheid/zwaarte/informativiteit van de onderzoeksvraag ("beinvloedt variabele A variabele B?") dat er een zwaar (dus, experimenteel) design nodig is om de vraag te beantwoorden.
