因果推断：相关不等于因果

原创

代码小铺
代码小铺

代码小铺

2026年6月22日 12:09
湖北

在小说阅读器读本章

去阅读

一个经典的\"笑话\"

你一定听过这个段子：冰淇淋销量越高的月份，溺水事故也越多。于是有人得出结论——吃冰淇淋会导致溺水。

这个结论当然荒谬。真实原因是夏天气温高，人们既买冰淇淋，也更频繁地去游泳，溺水风险自然上升。温度才是那个藏在幕后的\"第三者\"。

这就是因果推断要解决的核心问题：两件事同时发生，不代表一件导致了另一件。

为什么\"相关≠因果\"如此重要？

在日常生活中，我们的大脑天生就喜欢找因果关系。看到 A 和 B 同时出现，我们会本能地想\"是不是 A 导致了 B？\"这种直觉在进化上很有用——听到草丛响就跑，能活下来——但在科学决策中，它常常把我们带进沟里。

举几个真实的例子：

• • 医学领域： observational study 发现\"每天喝红酒的人更长寿\"，于是媒体大肆宣传。但后续研究发现，喝红酒的人往往收入更高、医疗条件更好、运动更多。这些因素才是长寿的真正原因。
• • 商业决策： 某电商平台发现\"使用优惠券的用户购买金额更高\"，于是疯狂发放优惠券。但真相是——爱用优惠券的人本身就是高频购物者，优惠券并没有让他们多花钱。
• • 公共政策： 某城市发现\"警力越多的区域犯罪率越高\"，于是得出结论\"警力导致犯罪\"。显然，因果关系反了：是犯罪率高的区域才会部署更多警力。

这些例子都指向同一个教训：如果分不清相关和因果，我们就会做出错误的决策。

因果推断的核心框架

因果推断的数学框架主要由统计学家 Judea Pearl 和 Donald Rubin 等人建立。其中最核心的思想可以用一句话概括：

要判断 A 是否导致了 B，我们需要比较\"有 A 的世界\"和\"没有 A 的世界\"中 B 的差异。

这个思想被称为反事实框架（Counterfactual Framework），也叫潜在结果模型（Potential Outcomes Model）。

用数学语言表达：对于某个个体 ，定义两个潜在结果—— 表示接受处理时的结果， 表示未接受处理时的结果。那么因果效应就是：

问题在于，对同一个个体，我们只能观察到其中一个结果——你不可能同时吃药又不吃药。这就是因果推断中的根本问题（Fundamental Problem of Causal Inference）：我们永远无法直接观测到反事实。

那怎么办？三种主要方法

既然无法直接观测因果效应，研究者们发展出了一系列巧妙的方法来\"逼近\"它。

1. 随机对照试验（RCT）

黄金标准。把受试者随机分成实验组和对照组，随机化保证了两组在所有特征上（除了处理变量）没有系统性差异。这样，两组结果的差异就可以归因于处理本身。

但 RCT 并不总是可行的。你不能随机让人抽烟来研究肺癌，也不能随机分配国家来研究政策效果。这时候就需要下面的方法。

2. 倾向得分匹配（Propensity Score Matching）

思路很直观：既然不能做随机实验，那就在观测数据中\"模拟\"随机化。具体做法是，为每个接受了处理的个体，找到一个在所有可观测特征上都非常相似的\"替身\"作为对照。

\"倾向得分\"就是一个个体接受处理的概率。如果两个人倾向得分接近，说明他们在可观测特征上非常相似，唯一的区别只是一个碰巧接受了处理，另一个没有。这样对比他们的结果差异，就接近了因果效应。

3. 工具变量（Instrumental Variables）

当存在无法观测的混淆变量时，工具变量就派上用场了。工具变量 需要满足两个条件：它与处理变量 相关，但它只能通过 来影响结果 ，不能有其他路径。

经典例子：研究教育对收入的影响时，\"出生月份\"曾被用作工具变量——出生月份影响入学年龄（从而影响受教育年限），但不太可能直接影响收入。

因果图：让思维更清晰

Judea Pearl 提出了因果有向无环图（Causal DAG）的概念，用箭头表示因果关系，帮助我们识别哪些变量是混淆因素，哪些路径需要控制。

比如\"冰淇淋→溺水\"的例子，因果图长这样：

温度 → 冰淇淋销量
温度 → 游泳人数 → 溺水事故

从图中一眼就能看出，冰淇淋和溺水之间的相关性完全由\"温度\"这条后门路径解释。控制住温度，相关性就消失了。

机器学习的因果革命

传统机器学习擅长发现相关性——给模型大量数据，它能找到变量间的复杂模式。但因果推断正在推动一场\"因果革命\"：让 AI 不仅能预测，还能回答\"如果……会怎样\"（what-if）的问题。

前沿方向包括：

• • 因果发现（Causal Discovery）：从观测数据中自动推断因果结构
• • 因果机器学习（Causal ML）：让模型学到因果机制而非表面相关，提升泛化能力
• • 反事实推理：训练模型回答\"如果当初做了不同选择，结果会怎样\"

总结

因果推断教会我们一件重要的事：世界比我们想象的更复杂，简单的\"因为 A 所以 B\"往往掩盖了真相。

下次看到\"研究表明 X 与 Y 相关\"的新闻标题时，不妨多问一句：这是因果关系，还是仅仅是相关关系？有没有被忽略的第三个变量？研究者是如何控制混淆因素的？

这种思维方式，不仅能帮你识破标题党，更能在工作和生活中做出更好的决策。毕竟，理解因果，才能理解世界运转的真正方式。