別拿相關當因果！因果關係簡易入門

《別拿相關當因果》 1.什麼是原因？（何爲因果關係？）似乎沒有明確的答案。休謨認爲，我們只能通過規律性事件來了解原因。由於無法憑經驗推理出事物之間的必然聯繫，也就無法通過觀察歸納出事件發生的原因。康德卻認爲，可以用一種先驗知識去闡釋所觀察到的因果關係。令人遺憾的是，在哲學上沒有一個公認的關於因果關係的理論，也沒有什麼萬無一失的計算方法能幫助我們準確找到因果關係。 2.既然原因難以定義又不易尋找，爲什麼還需要原因？有三件很重要的事只有在清楚原因的情況下才能做到，或者做到最好，這三件事是：預測、解釋和干預。因果關係是我們理解世界和改造世界的基石。 3.因果關係的識別通過兩種方式：感知（對因果關係的直接體驗）和推理（從不含因果關係的信息中進行推斷）。心理學研究已經證明大腦具有感知因果關係的能力，人的大腦中存在某種程序，可以自動將外界輸入的信息分成有因果關係的和沒有因果關係的。當不能直接感受到因果關係時，就需要通過數據和背景知識來推斷因果關係。 4.影響因果推理的因素很多，比如時空距離、人的預期、背景知識、信念、文化等。 5.相關性指的是，兩個變量發生的變化之間是有關聯的。如果兩個變量沒有共同發生改變，就無法找到它們之間的相關性。相關係數具有對稱性，因果關係可能是不對稱的。能夠觀察到的因果關係基本上都是相關性，但相關性不等於因果關係。 6.如何僅通過觀察事物的運行方式來把握事件發生的原因？一般可以採用穆勒五法：契合法，差異法，契合差異並用法，剩餘法，共變法。以及概率法，反事實推理法等。這些方法可以組合使用。 7.由於有些關係本身就是不確定的，因此需要使用概率來定義因果關係。概率法並不要求原因能百分之百導致相應的結果，也不要求每次出現某個結果之前都會出現某個原因。我們想要知道這個事物對結果出現到底有多重要。 8.僅通過觀察來把握原因的侷限性在於，永遠都無法確定是否存在隱藏的共同原因，從而導致了一些表面上的因果關係。此外，當只能觀察而不能干預時，可能會存在選擇偏差，有時會導致辛普森悖論。 9.當無法直接觀察時，我們需要從數據中尋找原因，此時因果關係的推理方法有兩類：一類是找到一個模型對數據進行解釋，一類是評估每組關係的強度。使用觀察數據的方法必須假設不存在隱藏的共同原因。如果共同原因沒有被測量到，就無法保證由此推理出的關係是正確的。 10.爲了將由共同原因導致兩個結果的關係結構和由一連串原因構成的關係結構區分開來，需要用到實驗法。這也是科學和醫學上的常用方法。實驗法的核心是干預，干預措施常被視爲檢驗因果推理活動的黃金準則。 11.爲了克服選擇性偏差，實驗法需要採用隨機對照試驗。爲了克服倖存者偏差、證實性偏差等，還需要採用雙盲甚至三盲試驗。當然，試驗需要具有可重複性，才能讓我們安心。但這並不代表不可重複的試驗就肯定是錯的，因爲造成因果關係的複雜條件一直處於變動中。雖然實驗法是尋找原因的一個好方法，但使用實驗法也不一定能夠找到原因，而且很多時候我們並不一定要使用實驗法來尋找原因。 12.在法律案件中用來確定因果關係的核心方法之一是建立在反事實推理的基礎之上的。反事實推理法的缺陷之一在於，將每一個原因分開考慮，而不是將每個原因當作導致某種結果的整體背景中的一部分，無法處理超定問題（多因一果）。反事實推理等方法的另一個缺陷是可傳遞性。因此，法律上用近因來判定責任因素，近因就是和結果直接相連的原因，法律上的近因要具有可預見性。 13.綜上，因果關係目前尚無一個統一嚴謹的定義。尋找因果關係的衆多方法，也沒有哪種方法能夠適用於所有情況，每種方法都有其侷限性。但在碰到實際問題時，我們仍不得不自覺或不自覺地運用其中一種或幾種方法。對於我們個人來說，在面對實際問題時，則需要不斷提升認知方式、完善知識體系、儘可能掌握信息，這些是提高因果判斷準確率的基礎和依靠。此時我們需要牢記孔子的教誨，毋意、毋必、毋固、毋我。

這是一本寫給普通人的因果關係入門書，旨在讓複雜的因果關係通俗易懂、廣爲人知，帶你瞭解因果和相關的區別，教會你擺脫一廂情願、非此即彼的思維定勢，形成一套基於原因的思考體系，並利用因果關係做出判斷、定出策略。 當今社會，隨着信息化進一步加深，因果關係絕不像一個多世紀前波特蘭.羅素說的那樣，是“一個已經過去了的時代的遺蹟”。今天，隨着我們收集的這些數據集越來越大，因果關係以及對因果關係進行批判性思考的能力比以前任何時候都更加必要。現在對我們來說，知道什麼時候能夠找到原因以及什麼時候找不到原因與會讀書寫字一樣重要。在二級市場從事金融交易去面對價格變化，就是找不到因果關係的典型。 事實上，並沒有萬無一失的方法衡量，因此因果並不容易確定。你以爲的並不一定是你以爲的，你看到的也不一定是你看到的，多少誤會、衝突乃至戰爭，也都因隨意歸納因果關係而起。即便有大量數據支撐，你以爲的“因果"也可能只是迷惑人心的相關性。 對照我現在從事的科學交易，我不得不得出如下結論。二級市場上的專業投資者基本上有三種，價值投資者、技術面分析者和科學交易者，她們對因果關係和相關關係的理解大致如下：基本面分析者相信因果關係，試圖通過分析上市公司的各種要素，去掌握價格變化的因果關係。技術分析者是在價格變化中引入分析工具，試圖找到價格變化的相關關係。科學交易者既不找因果關係、也不找相關關係，他們感興趣的是價格本身。因此直接對價格變化建立統計學模型，然後依據模型做出科學的交易策略，並依據認知心理學的知識確保正確地執行交易。 好書，絕對值得大家讀兩遍以上。

“哲學、經濟學、統計學和邏輯學都試圖理清因果關係，克萊因伯格成功將這些完全不同的思路以ー種簡單實用的方式綜合在了一起。數據時代，更多的人類活動都將‘爲數據所驅動’，要想弄清政策導向、瞭解自身健康以及認識周圍世界，必須掌握因果關係。” ——Chris Wiggins,博士 《紐約時報》首席數據科學家、哥倫比亞大學副教授 本書最大的啓示之一在於，要想找到事情發生的原因絕不是一件容易的事。很多時候我們認爲自己已經找到了原因，但實際上我們找到的只是事物之間的相關性而已，而且有時連這些相關性都是假的。這可能是概念混亂造成的（考察的變量不正確，結果在由一個共同原因導致的多個結果之間找到了一個虛假的關係），也可能是我們在尋找和評估信息的方式存在偏差導致的（證實性偏差意味着我們只會去尋找那些正面的例子），還可能是我們考察的很多其他因素導致的。 本書還用一整章來介紹心理學的部分知識，心理學爲我們理解一些長期存在的哲學問題（比如道德評價和因果判斷之間的關係）提供了一些啓示，同時還建議我們應該更加關注外部有效性以及我們對推理方法和解釋方法的評價。例如:心理學領域有一個重要發現：人們可能不僅在引起某個事件的原因上存在分歧，而且在看待引起同一個事件的不同原因的相對顯著性上也存在分歧。 此外要注意時間因素。由於我們希望結果緊隨原因之後出現，所以時間對於我們感知事物之間的因果關係極爲重要。如果我們對原因導致結果的過程（比如吸菸需要很久才能導致癌症）有所瞭解，可能就會理解原因和結果之間的時間間隔。 因果關係絕不像一個多世紀前Bertrand Russel說的那樣，是“一個已經過去了的時代的遺蹟”。今天，隨着我們收集的這些數據集越來越大，因果關係以及對因果關係進行批判性思考的能力比以前任何時候都更加必要。現在對我們來說，知道什麼時候能夠找到原因以及什麼時候找不到原因與會讀書寫字一樣重要。當我們從數百萬的測試中提取出一些埋藏在電子碎片中的有意義的信號時，我們很有可能會完全由於偶然因素髮現一些似乎具有顯著性的結論。因此，我們也越來越需要對任何發現持有懷疑態度。當我們無法通過實驗對每一個發現加以驗證時，各種統計法可以幫助我們控制虛假髮現的數量。但是，如果能知道爲什麼一個虛假的關係可能會出現在研究結論中，我們就更能將因果關係和相關性區分開來。 在大數據庫中，出現噪聲和錯誤的概率往往會增加，所以，這種權衡也許並不像人們看到的那麼簡單。與更小且可控的數據集相比，大數據庫中存在更多的數據質量問題、更多潛在的錯誤來源、更多的偏差以及更多缺失的數據。在海量數據集中，變量更加難以解釋，而數據收集的時間表往往也各不相同。大數據並沒有讓人們不再需要了解事件發生的原因；相反，大數據讓事件發生的原因變得更加重要了。 我們不僅需要找到因果關係，還需要對因果所在的領域有深入的瞭解，這樣纔有可能知道一個測試是否是成功的，並且能夠解釋測試得出的結論。 要想知道我們還缺少哪些數據而不是哪些數據是錯誤的，我們不僅需要對問題有所瞭解，還需要對數據產生的方式有所瞭解。 最後，如果一些大的數據集不是爲了研究目的收集的，那麼從這些數據集中發現的事物之間的相關性可能不太具有普遍性，這就限制了我們在新環境或未來環境中應用這個結論的能力。 我們不是要拋棄因果關係，而是要拋棄那種黑匣子思想。不要以爲我們可以從數據源頭直接獲取一些數據放進黑匣子，然後黑匣子就會吐出一系列無須解釋且無須人爲干預的原因。因果推理是必要且充滿可能性的，卻不是完美的。 概率模型不是因果推理的唯一方法，反事實推理法也不是解釋事件的唯一方法。很多方法都在以人們意想不到的方式被應用於不同的學科當中。格蘭傑因果理論一開始是用於經濟時間序列中的，但是現在已經被用來分析神經元放電活動記錄了。16人們開發貝葉斯網絡是爲了表示概率性關係，但它現在已經被用來模擬因果推理背後的心理過程了。17沒有任何方法或模型是放之四海皆準的，你可能需要超越自己的研究領域來尋找問題的解決方案。 最重要的是，我們對因果關係還有很多不瞭解的地方。如果只侷限於改造已有的方法，可能就會錯過很多重要的發現。 找到原因後，當我們在考慮如何使用原因以及是否應該使用原因時，我們需要考慮的不僅僅是關係的有效性問題。

不知道爲何這本書的評價這麼低，通常低於70的書我是不看的，但由於微信讀書上因果推斷方面的書比較少，因此還是看了一下，相比其他因果方面比較專業的書籍，這本書作爲科普型，我覺得還是體現了作者紮實而嚴謹的功底的，因果關係看似淺顯，其實模型非常多，要得出相對正確可重複的結論或者產生同樣效果其實非常難，但作者也強調了，本書並非解決這些問題，只是強調了探究因果關係需要考慮的事情非常多，不能手裏有把錘子眼中就都是釘子，譬如翻動煎餅你可能需要的是鏟子而非給錘子加個鐵片，你可能還需要貝葉斯網絡、面板數據分析等等一些列的工具纔可能構建一個相對合理的模型，期待基於因果推斷自動化而非相關性的真正的人工智能的發展吧。

“本書是一本寫給普通人的因果關係入門書，旨在讓複雜的因果關係通俗易懂、廣爲人知，帶你瞭解因果和相關的區別，教會你擺脫一廂情願、非此即彼的思維定勢，形成一套基於原因的思考體系，並利用因果關係做判斷、定策略。”摘自書的結尾。

因果關係的解仍然還是一個謎題，雖然我們有各種各樣的方法去解釋，沒有一個種萬能藥能包治百病。無論運用什麼方法去解釋原因，我們需要了解問題發生的背景和中間能導致結果的途徑。我們自身的個人侷限性和心理因素等，也決定了我們會自帶一定的偏差，這也是爲什麼需要各種方面的專家一起共同探索原因。 找到事情的原因是件好事，但下一步做決定和制定政策纔是更關鍵的步驟。事件研究結果不能脫離事件環境照搬到任意場景。在實施的過程中也最好先做小範圍實驗，再逐一擴展，每個應用場景不同，會導致不同的，甚至相反的效果。 無論什麼時候，只要我們面對一種可能的因果關係，都必須要找到能夠支持這種因果關係的證據，同時還要像對待犯人一樣審問它 比較常用的尋因方法基本分爲：觀察法、推導法、和實驗法。 觀察法： 在不影響觀察對象的情況下分析各條通往結果的路徑得出結論。數據在此過程中不一定會完整或者乾淨，可是很多情況下，我們傾向於採取這種方法去得出結論，比如：研究特定區域腦神經缺失對人體的影響。 推導法： 我們的生長環境、文化、教育對我們的觀念形成有着重要作用，所以我們帶着自己先驗模型會做出推導。這種方法雖然十分普遍，但有侷限性。 概率模型推理中有很多方法能推導和預測結果，貝葉斯網絡和機器學習模型都是很好的模型。只是每個模型都有自己的運用先決條件。 實驗法： 隨機對比試驗是現代科學研究方法的根基，數據經過大量對比能得出比較一般性的結論。當研究問題在沒有法律和道德層面有異議的前提下，我們擁有大量數據，和要解答的正好是一個一般性的問題時，實驗法會比較有用。但大數據意味着數據質量可能不樂觀，有些會缺失，污染，不易被理解等。

對、必然性是因果關係的基本特徵～康德。 但、這種必然性需要考慮時間因素， 就像那句話～正義不會缺席，只是還沒有來到； 故、原因在時間上應早於結果，同時原因和結果在時間和空間上的距離要臨近～休謨； 因爲只要存在或然性，從概率上來講，是可以獲勝於當前所處市場。同時也解決了時間性問題～那就是無限延伸； 那麼～一瞬間的一百萬可能就應該是向前走，而不是繼續等； 至於獲勝獲利程度的大小，那是另外一個需要解決的問題； 關鍵詞～原因～結果～必然性～規律～特徵～時間～空間～延遲～同時發生～經常性聯繫～空間臨近性～時序性～時間臨近性；

有果必有因。但很多事情的因果關係不好找，文中講述了尋找因果關係的方法（反事實推論、概率、觀察、實驗等等）；得知因果關係後，想採取措施改變結果也不容易，有時因果關係是動態的，施加影響，因果關係改變了，也就得不到想要的結果了。 一本不錯的書，對提高思辨能力有用。

當我們無法非常自信地找到原因時，必須勇於將這種不確定性說出來，告訴人們我們確實不知道原因是什麼——然後再接着找。 到底什麼纔是因果呢？本來嘗試在本書中找到唯物辯證法和唯心論之間的共存點，但本著者很幽默，以上文作爲全書的結尾。

沒有看明白，通篇講的是實驗。好像不從實驗角度講就無法講明白。 從因到果，需要的是條件，故此刑法學上判斷因果關係成立與否有“條件說”。就像氫氣（因）、氧氣（因）+火（條件）纔會成爲水（果）。所以研究具體因果必須紮根於具體領域，但是離不開宇宙運行的因果大規律這一框架。