别拿相关当因果！因果关系简易入门

《别拿相关当因果》 1.什么是原因？（何为因果关系？）似乎没有明确的答案。休谟认为，我们只能通过规律性事件来了解原因。由于无法凭经验推理出事物之间的必然联系，也就无法通过观察归纳出事件发生的原因。康德却认为，可以用一种先验知识去阐释所观察到的因果关系。令人遗憾的是，在哲学上没有一个公认的关于因果关系的理论，也没有什么万无一失的计算方法能帮助我们准确找到因果关系。 2.既然原因难以定义又不易寻找，为什么还需要原因？有三件很重要的事只有在清楚原因的情况下才能做到，或者做到最好，这三件事是：预测、解释和干预。因果关系是我们理解世界和改造世界的基石。 3.因果关系的识别通过两种方式：感知（对因果关系的直接体验）和推理（从不含因果关系的信息中进行推断）。心理学研究已经证明大脑具有感知因果关系的能力，人的大脑中存在某种程序，可以自动将外界输入的信息分成有因果关系的和没有因果关系的。当不能直接感受到因果关系时，就需要通过数据和背景知识来推断因果关系。 4.影响因果推理的因素很多，比如时空距离、人的预期、背景知识、信念、文化等。 5.相关性指的是，两个变量发生的变化之间是有关联的。如果两个变量没有共同发生改变，就无法找到它们之间的相关性。相关系数具有对称性，因果关系可能是不对称的。能够观察到的因果关系基本上都是相关性，但相关性不等于因果关系。 6.如何仅通过观察事物的运行方式来把握事件发生的原因？一般可以采用穆勒五法：契合法，差异法，契合差异并用法，剩余法，共变法。以及概率法，反事实推理法等。这些方法可以组合使用。 7.由于有些关系本身就是不确定的，因此需要使用概率来定义因果关系。概率法并不要求原因能百分之百导致相应的结果，也不要求每次出现某个结果之前都会出现某个原因。我们想要知道这个事物对结果出现到底有多重要。 8.仅通过观察来把握原因的局限性在于，永远都无法确定是否存在隐藏的共同原因，从而导致了一些表面上的因果关系。此外，当只能观察而不能干预时，可能会存在选择偏差，有时会导致辛普森悖论。 9.当无法直接观察时，我们需要从数据中寻找原因，此时因果关系的推理方法有两类：一类是找到一个模型对数据进行解释，一类是评估每组关系的强度。使用观察数据的方法必须假设不存在隐藏的共同原因。如果共同原因没有被测量到，就无法保证由此推理出的关系是正确的。 10.为了将由共同原因导致两个结果的关系结构和由一连串原因构成的关系结构区分开来，需要用到实验法。这也是科学和医学上的常用方法。实验法的核心是干预，干预措施常被视为检验因果推理活动的黄金准则。 11.为了克服选择性偏差，实验法需要采用随机对照试验。为了克服幸存者偏差、证实性偏差等，还需要采用双盲甚至三盲试验。当然，试验需要具有可重复性，才能让我们安心。但这并不代表不可重复的试验就肯定是错的，因为造成因果关系的复杂条件一直处于变动中。虽然实验法是寻找原因的一个好方法，但使用实验法也不一定能够找到原因，而且很多时候我们并不一定要使用实验法来寻找原因。 12.在法律案件中用来确定因果关系的核心方法之一是建立在反事实推理的基础之上的。反事实推理法的缺陷之一在于，将每一个原因分开考虑，而不是将每个原因当作导致某种结果的整体背景中的一部分，无法处理超定问题（多因一果）。反事实推理等方法的另一个缺陷是可传递性。因此，法律上用近因来判定责任因素，近因就是和结果直接相连的原因，法律上的近因要具有可预见性。 13.综上，因果关系目前尚无一个统一严谨的定义。寻找因果关系的众多方法，也没有哪种方法能够适用于所有情况，每种方法都有其局限性。但在碰到实际问题时，我们仍不得不自觉或不自觉地运用其中一种或几种方法。对于我们个人来说，在面对实际问题时，则需要不断提升认知方式、完善知识体系、尽可能掌握信息，这些是提高因果判断准确率的基础和依靠。此时我们需要牢记孔子的教诲，毋意、毋必、毋固、毋我。

这是一本写给普通人的因果关系入门书，旨在让复杂的因果关系通俗易懂、广为人知，带你了解因果和相关的区別，教会你摆脱一厢情愿、非此即彼的思维定势，形成一套基于原因的思考体系，并利用因果关系做出判断、定出策略。 当今社会，随着信息化进一步加深，因果关系绝不像一个多世纪前波特兰.罗素说的那样，是“一个已经过去了的时代的遗迹”。今天，随着我们收集的这些数据集越来越大，因果关系以及对因果关系进行批判性思考的能力比以前任何时候都更加必要。现在对我们来说，知道什么时候能够找到原因以及什么时候找不到原因与会读书写字一样重要。在二级市场从事金融交易去面对价格变化，就是找不到因果关系的典型。 事实上，并没有万无一失的方法衡量，因此因果并不容易确定。你以为的并不一定是你以为的，你看到的也不一定是你看到的，多少误会、冲突乃至战争，也都因随意归纳因果关系而起。即便有大量数据支撑，你以为的“因果"也可能只是迷惑人心的相关性。 对照我现在从事的科学交易，我不得不得出如下结论。二级市场上的专业投资者基本上有三种，价值投资者、技术面分析者和科学交易者，她们对因果关系和相关关系的理解大致如下：基本面分析者相信因果关系，试图通过分析上市公司的各种要素，去掌握价格变化的因果关系。技术分析者是在价格变化中引入分析工具，试图找到价格变化的相关关系。科学交易者既不找因果关系、也不找相关关系，他们感兴趣的是价格本身。因此直接对价格变化建立统计学模型，然后依据模型做出科学的交易策略，并依据认知心理学的知识确保正确地执行交易。 好书，绝对值得大家读两遍以上。

“哲学、经济学、统计学和逻辑学都试图理清因果关系，克莱因伯格成功将这些完全不同的思路以ー种简单实用的方式综合在了一起。数据时代，更多的人类活动都将‘为数据所驱动’，要想弄清政策导向、了解自身健康以及认识周围世界，必须掌握因果关系。” ——Chris Wiggins,博士 《纽约时报》首席数据科学家、哥伦比亚大学副教授 本书最大的启示之一在于，要想找到事情发生的原因绝不是一件容易的事。很多时候我们认为自己已经找到了原因，但实际上我们找到的只是事物之间的相关性而已，而且有时连这些相关性都是假的。这可能是概念混乱造成的（考察的变量不正确，结果在由一个共同原因导致的多个结果之间找到了一个虚假的关系），也可能是我们在寻找和评估信息的方式存在偏差导致的（证实性偏差意味着我们只会去寻找那些正面的例子），还可能是我们考察的很多其他因素导致的。 本书还用一整章来介绍心理学的部分知识，心理学为我们理解一些长期存在的哲学问题（比如道德评价和因果判断之间的关系）提供了一些启示，同时还建议我们应该更加关注外部有效性以及我们对推理方法和解释方法的评价。例如:心理学领域有一个重要发现：人们可能不仅在引起某个事件的原因上存在分歧，而且在看待引起同一个事件的不同原因的相对显著性上也存在分歧。 此外要注意时间因素。由于我们希望结果紧随原因之后出现，所以时间对于我们感知事物之间的因果关系极为重要。如果我们对原因导致结果的过程（比如吸烟需要很久才能导致癌症）有所了解，可能就会理解原因和结果之间的时间间隔。 因果关系绝不像一个多世纪前Bertrand Russel说的那样，是“一个已经过去了的时代的遗迹”。今天，随着我们收集的这些数据集越来越大，因果关系以及对因果关系进行批判性思考的能力比以前任何时候都更加必要。现在对我们来说，知道什么时候能够找到原因以及什么时候找不到原因与会读书写字一样重要。当我们从数百万的测试中提取出一些埋藏在电子碎片中的有意义的信号时，我们很有可能会完全由于偶然因素发现一些似乎具有显著性的结论。因此，我们也越来越需要对任何发现持有怀疑态度。当我们无法通过实验对每一个发现加以验证时，各种统计法可以帮助我们控制虚假发现的数量。但是，如果能知道为什么一个虚假的关系可能会出现在研究结论中，我们就更能将因果关系和相关性区分开来。 在大数据库中，出现噪声和错误的概率往往会增加，所以，这种权衡也许并不像人们看到的那么简单。与更小且可控的数据集相比，大数据库中存在更多的数据质量问题、更多潜在的错误来源、更多的偏差以及更多缺失的数据。在海量数据集中，变量更加难以解释，而数据收集的时间表往往也各不相同。大数据并没有让人们不再需要了解事件发生的原因；相反，大数据让事件发生的原因变得更加重要了。 我们不仅需要找到因果关系，还需要对因果所在的领域有深入的了解，这样才有可能知道一个测试是否是成功的，并且能够解释测试得出的结论。 要想知道我们还缺少哪些数据而不是哪些数据是错误的，我们不仅需要对问题有所了解，还需要对数据产生的方式有所了解。 最后，如果一些大的数据集不是为了研究目的收集的，那么从这些数据集中发现的事物之间的相关性可能不太具有普遍性，这就限制了我们在新环境或未来环境中应用这个结论的能力。 我们不是要抛弃因果关系，而是要抛弃那种黑匣子思想。不要以为我们可以从数据源头直接获取一些数据放进黑匣子，然后黑匣子就会吐出一系列无须解释且无须人为干预的原因。因果推理是必要且充满可能性的，却不是完美的。 概率模型不是因果推理的唯一方法，反事实推理法也不是解释事件的唯一方法。很多方法都在以人们意想不到的方式被应用于不同的学科当中。格兰杰因果理论一开始是用于经济时间序列中的，但是现在已经被用来分析神经元放电活动记录了。16人们开发贝叶斯网络是为了表示概率性关系，但它现在已经被用来模拟因果推理背后的心理过程了。17没有任何方法或模型是放之四海皆准的，你可能需要超越自己的研究领域来寻找问题的解决方案。 最重要的是，我们对因果关系还有很多不了解的地方。如果只局限于改造已有的方法，可能就会错过很多重要的发现。 找到原因后，当我们在考虑如何使用原因以及是否应该使用原因时，我们需要考虑的不仅仅是关系的有效性问题。

不知道为何这本书的评价这么低，通常低于70的书我是不看的，但由于微信读书上因果推断方面的书比较少，因此还是看了一下，相比其他因果方面比较专业的书籍，这本书作为科普型，我觉得还是体现了作者扎实而严谨的功底的，因果关系看似浅显，其实模型非常多，要得出相对正确可重复的结论或者产生同样效果其实非常难，但作者也强调了，本书并非解决这些问题，只是强调了探究因果关系需要考虑的事情非常多，不能手里有把锤子眼中就都是钉子，譬如翻动煎饼你可能需要的是铲子而非给锤子加个铁片，你可能还需要贝叶斯网络、面板数据分析等等一些列的工具才可能构建一个相对合理的模型，期待基于因果推断自动化而非相关性的真正的人工智能的发展吧。

“本书是一本写给普通人的因果关系入门书，旨在让复杂的因果关系通俗易懂、广为人知，带你了解因果和相关的区別，教会你摆脱一厢情愿、非此即彼的思维定势，形成一套基于原因的思考体系，并利用因果关系做判断、定策略。”摘自书的结尾。

因果关系的解仍然还是一个谜题，虽然我们有各种各样的方法去解释，没有一个种万能药能包治百病。无论运用什么方法去解释原因，我们需要了解问题发生的背景和中间能导致结果的途径。我们自身的个人局限性和心理因素等，也决定了我们会自带一定的偏差，这也是为什么需要各种方面的专家一起共同探索原因。 找到事情的原因是件好事，但下一步做决定和制定政策才是更关键的步骤。事件研究结果不能脱离事件环境照搬到任意场景。在实施的过程中也最好先做小范围实验，再逐一扩展，每个应用场景不同，会导致不同的，甚至相反的效果。 无论什么时候，只要我们面对一种可能的因果关系，都必须要找到能够支持这种因果关系的证据，同时还要像对待犯人一样审问它 比较常用的寻因方法基本分为：观察法、推导法、和实验法。 观察法： 在不影响观察对象的情况下分析各条通往结果的路径得出结论。数据在此过程中不一定会完整或者干净，可是很多情况下，我们倾向于采取这种方法去得出结论，比如：研究特定区域脑神经缺失对人体的影响。 推导法： 我们的生长环境、文化、教育对我们的观念形成有着重要作用，所以我们带着自己先验模型会做出推导。这种方法虽然十分普遍，但有局限性。 概率模型推理中有很多方法能推导和预测结果，贝叶斯网络和机器学习模型都是很好的模型。只是每个模型都有自己的运用先决条件。 实验法： 随机对比试验是现代科学研究方法的根基，数据经过大量对比能得出比较一般性的结论。当研究问题在没有法律和道德层面有异议的前提下，我们拥有大量数据，和要解答的正好是一个一般性的问题时，实验法会比较有用。但大数据意味着数据质量可能不乐观，有些会缺失，污染，不易被理解等。

对、必然性是因果关系的基本特征～康德。 但、这种必然性需要考虑时间因素， 就像那句话～正义不会缺席，只是还没有来到； 故、原因在时间上应早于结果，同时原因和结果在时间和空间上的距离要临近～休谟； 因为只要存在或然性，从概率上来讲，是可以获胜于当前所处市场。同时也解决了时间性问题～那就是无限延伸； 那么～一瞬间的一百万可能就应该是向前走，而不是继续等； 至于获胜获利程度的大小，那是另外一个需要解决的问题； 关键词～原因～结果～必然性～规律～特征～时间～空间～延迟～同时发生～经常性联系～空间临近性～时序性～时间临近性；

有果必有因。但很多事情的因果关系不好找，文中讲述了寻找因果关系的方法（反事实推论、概率、观察、实验等等）；得知因果关系后，想采取措施改变结果也不容易，有时因果关系是动态的，施加影响，因果关系改变了，也就得不到想要的结果了。 一本不错的书，对提高思辨能力有用。

当我们无法非常自信地找到原因时，必须勇于将这种不确定性说出来，告诉人们我们确实不知道原因是什么——然后再接着找。 到底什么才是因果呢？本来尝试在本书中找到唯物辩证法和唯心论之间的共存点，但本著者很幽默，以上文作为全书的结尾。

没有看明白，通篇讲的是实验。好像不从实验角度讲就无法讲明白。 从因到果，需要的是条件，故此刑法学上判断因果关系成立与否有“条件说”。就像氢气（因）、氧气（因）+火（条件）才会成为水（果）。所以研究具体因果必须扎根于具体领域，但是离不开宇宙运行的因果大规律这一框架。