为什么：关于因果关系的新科学

五星！一本理论与实务并存的精彩科普书籍！随着千问、豆包和DS等AI的普及，我们直接依靠APP获取答案已是趋势。“为什么”可能已不重要，再叠加大数据，多数人更是追求“相关性”，而非“因果性”。如此，没有“因果”后，弱AI会迭代至“像人一样思考”的强AI吗？ 2026年的第一本阅读就从朱迪亚·珀尔教授的《为什么》开始吧。该书是目前已出版的唯一一部因果关系科学方面的科普著作，为我们推开了一扇窗，可以一窥AI时代可能的趋势路径。作者曾是AI“相关性”路径的顶级大神，2011年图灵奖获得者，创建了AI著名的关于不确定性的推理方法，“贝叶斯网络”。虽然贝叶斯网络很成功，但珀尔教授却发现这并没能弥合AI和人类智能之间的差距，缺失的要素就是因果性。 “对于没有概率统计基础的读者来说，笔者的阅读建议是略过数学细节，着重抓住内容大意；而对于有一定概率统计基础的读者来说，笔者认为在阅读时一定不能放过正文中的数学精髓，这本书中的数学公式不多不少，刚好自圆其说”。 作者力图“完成一个三位一体的使命：首先，用非数学的语言阐述因果革命的知识内涵，说明它将怎样影响我们的生活和未来。其次，分享在解决重要的因果问题时，我们的科学家前辈走过的英勇征程，无论成败，这些故事都值得讲述。最后，回溯因果革命在人工智能领域的发源地，目的是向你介绍如何开发出用我们的母语——因果语言进行交流的机器人。” 作者认为“思维胜于数据”，即“你比你的数据更聪明”，数据不了解因果，而人类了解。而因果推断这门新科学就是让我们达成这项能力。人类掌握的因果想象力使我们可以规划复杂过程并更有效地达成目的。统计学是人类认知世界的有效手段，但它的盛行又让让人类陷入了因果蒙昧的黑暗，只知“相关性”，即知其然而忽略所以然。 作者总结有效的学习者须掌握三种能力：观察、行动和想象，即因果关系三层梯的观察、干预和反事实。大多数动物和机器学习都处于第一层的观察，通过关联进行学习；而掌握工具使用能力的人类则进入第二层的干预；而想象并不存在的世界，并推测观察到的现象的原因为何则为第三层的反事实。 当我们问：“购买牙膏的顾客购买牙线的可能性有多大”时，是观察。“如果把牙膏的价格翻倍，牙线的销售额将会怎么样”时是干预。因果关系之梯第二层级的典型问题就是：“如果我们实施……行动，将会怎样？”第三层级的问题则为：“假如我们把牙膏的价格提高一倍，则之前买了牙膏的顾客仍然选择购买的概率是多少？”将真实世界与虚构对比。因果模型可用于回答此类反事实问题。因果模型可以帮助我们找出原因并采有效确的改进措施。第三层级的典型问题是：“假如我当时做了……会怎样？”和“为什么？” 借助因果图等，作者以大剂量例证阐述仅凭大数据是无助于回答第三层问题。例如根据数据，接种天花疫苗造成不良反应的儿童人数多于死于天花的儿童。而拥有因果模型就会明白“反事实”问题的正确答案。“因果关系不能被简化为概率”。贝叶斯网络适用于一个所有问题都被简化为概率的世界。人类以寻找因果关系为起点，最终却发现了相关性，一种无视因果的关系。其实，贝叶斯统计已为我们提供了一种将观察与我们已有的相关知识（或主观判断）结合起来以获得修正后的判断的客观方法，即对因果主观性的接受。因果推断的这一属性与贝叶斯推断是一致的。 珀尔教授通过概率统计领域中几个有名的令人费解的悖论，例如蒙提·霍尔悖论和辛普森悖论等，来表明如果不用因果透镜看世界，我们很可能会出差错。人类的直觉是根植于因果的，而不是根植于统计和逻辑的。我们的大脑不擅长处理概率问题，但对因果问题则相当在行。“行动超越了言论的人，其言论将经久不衰”。do演算！其能够解决艰深的理论问题的数学工具，在现实中也能发挥作用。工具变量是一个重要的工具，它能帮助我们揭示do演算无法揭示的因果信息。 “为什么”有两个版本。第一个直截了当：看到一个果，想知道因；第二个是为了更好地了解已知的因和已知的果之间的联系。科学家使用“中介”来表达第二个版本。关于中介物，我们想问的一些典型问题是：它是否能解释全部结果？中介分析的实践者花了很长的时间才从线性回归的迷雾中醒悟过来。“全民学代数”，吸烟基因：中介与干预，止血带：隐藏的谬误等，很多打开视野的好案例。 如果兴趣于AI，对于统计学或哲学无兴趣，读者可以直接跳跃至本书的最后一章。其中，作者回到他的老本行，带领读者一起探索因果革命对人工智能的影响。珀尔教授认为科学家对于“为什么”的漠视，是因为他们长期束缚于统计学的工作氛围，提问“为什么”的正当权利被剥夺了。在AI，贝叶斯网络以数学的方式可靠地处理概率，但仍然无法理解因果。当我们开始谈论强人工智能时，因果模型就从奢侈品变成了必需品。 作者坚信“因果推理模块将使智能机器有能力反思它们的错误，找到自身软件程序中的弱点，并能像一个道德实体那样思考和行动，自然地与人类交流它们自己的选择和意图。”

为什么要研究关于“为什么”的学问？——一门科学哲学的大众读物一、导言科学革命彻底终结了传统的神权统治地位，数学作为自然科学皇冠上的明珠逐渐耀眼；然而，我们在称赞其精准性的同时也不可以忘记，凡伟大的数学家背后均有着哲学思想的支撑——从毕达哥拉斯到莱布尼兹无不如此，“前定和谐”的概念如此深入人心，以至于凡是优美的，必该是简洁的都成为研究方法中的信纲——如无必要勿增实体即是如此。 但是，近年来的科学研究当中出现了一种简单化的谬误，首先从自然科学领域诞生，对大量数据收集后得出的往往是一些细枝末节的结论——比如生物科学和材料学中被人诟病的灌水论文；接下来便是社会科学，也有基于数据驱动的研究范式，运用独家数据——比如“携程”公司董事长喜欢在本公司内做实验——得出一些你奶奶都知道的结论——比如放假多有利于生育率。 这种看似简化的背后，实则是过度复杂的泥潭。大数据范式的引入以及计算机性能的提高，为统计建模和机器学习提供了前所未有的便利，但也催生了新的蒙昧。学过统计学的都知道，样本量越大，回归分析的p值必然越小，其显著性必然越高。这种对“相关关系”的盲目崇拜大行其道，使得经济学的公式愈发复杂，政治学社会学的定量研究日益内卷，研究者秉承着“执果索因”的想法，胡乱搭配控制变量以追求显著性，其论证过程无异于一种精致的“统计炼金术”，最终得到的往往是外部环境稍加改变便轰然倒塌的过拟合模型，其目的在于完成一场与政策制定者的共谋——分点基金评先评优。。 当这种思维通过大众传媒扩散，缺乏逻辑训练的公众手握看似“数据驱动”的证据相互攻击，便印证了刘慈欣的那句话：“弱小和无知不是生存的障碍，傲慢才是。”阅读本书，好处在于基本都是故事，公式较少（相较于那本《因果论》），仅有的一些公式难度较低，仔细阅读收获往往较大。 本书及其思想更有趣的应用其实在计算机科学当中，我们知道GPT模型非常火爆，其实质便是一个预训练的试图模仿因果“机器人”，你问什么它就回答一些相关联的领域，也就是在珀尔的第二层阶梯上呆着，什么是阶梯，且看下文。 二、“为什么”为什么重要？朱迪·珀尔的《为什么》是对知识傲慢的宣战，他要发起一场“因果革命”，将科学从相关性的迷雾中解放出来。为此，他构建了极具洞察力的“因果关系之梯”，它不仅是人类认知发展的历史，也是任何智能系统理解世界的必经之路。、 阶梯的最底层是“观察”，即发现变量间的关联。今天绝大多数的统计学与机器学习都停留于此，它们是强大的模式识别器，能预测商品的销量，却无法分辨是公鸡打鸣导致太阳升起，还是反之。 阶梯的第二层是“干预”，它回答的是“如果我做了某件事，会发生什么？”的问题，这正是科学实验的精髓。珀尔为此提供了严谨的do-算子，它代表了一种对系统进行的外科手术式干预，切断了原有变量间的所有联系。更重要的是，他所推广的因果图（DAGs）和后门准则等工具，指导我们在无法进行昂贵甚至不道德的随机实验时，如何巧妙地利用观察性数据，模拟出干预的效果，从而识别出真实的因果效应。 阶梯的顶峰则是“反事实”，即想象那些与现实相悖的可能性，回答“假如当初……会怎样？”。这是人类智慧的标志，是道德、法律、懊悔与创新的基石。我们之所以能从经验中学习，正是因为我们能进行“如果我当时做出不同选择，结果是否会更好”的反事实思考。珀尔的结构因果模型（SCM），则首次为这种看似虚无缥缈的思维活动提供了坚实的数学基础，让严谨的反事实推理成为可能。 整个科学史实际上就是一部攀登这座阶梯的历史。从托勒密的天文学（观察）到伽利略的实验（干预），再到爱因斯坦的思想实验（反事实）。而因果推断要做的，就是为这整个过程提供一套统一的数学语言。 三、珀尔和鲁宾：互相补充还是互相争论在因果推断的江湖中，珀尔的理论并非孤立存在，它与另一大主流学派——唐纳德·鲁宾的潜在结果模型（RCM）——形成了长期的争论与对话。 鲁宾因果模型将任何因果问题都类比为一次理想实验，把世界看作存在两种“潜在结果”：接受干预的结果与未接受干预的结果，而我们永远只能观测到其中之一，因此因果推断本质上是一个“缺失数据”问题（由霍兰德归纳）。 在个体处置效应中，即τ_i = Y_i(1) - Y_i(0)，我们看到Y_i在一个时点不可能既为1（接受处理）又为0（没接受处理），因而永远有一个数据是缺失的。鲁宾事实上做到的乃使用ATE（平均处置效应）代替对个体处置效应的追求，由于在其假设中，处置发生与否是随机的，与结果变量无关，效果也不外溢（三大假设——「稳定单元干预值假设」「可忽略性假设」和「正值假设」），因而可以在一个总体上用未接受处置的个体加权作为接受处置个体加权的对照组，相减即得出平均处置效应，这就是一个典型的“反事实”。 这一框架数学上极为严谨，在评估一项政策或药物的平均效果时非常强大，但它像一个“黑箱”，往往回避了因果过程如何发生的问题。相比之下，珀尔的因果图则是一个“白箱”，它强制研究者必须首先将自己对世界运作方式的理论假设，用一张清晰的、带箭头的图给画出来，让所有假设都变得透明、可供检验和批判。最初，两派学者争论激烈，但如今越来越走向互补：珀尔的因果图好比一张战略地图，帮助我们规划识别因果关系的路径，判断应该控制哪些变量（封堵后门路径），以及千万不能控制哪些变量（打开对撞偏误）；而鲁宾学派发展出的倾向得分匹配等统计方法，则是执行这张地图计划的精良战术武器。 在处理那些经典的统计学悖论时，珀尔框架的优越性显露无遗。例如，在辛普森悖论中，因果图能一目了然地揭示出混杂变量的存在，并明确指出必须分层分析；而鲁宾的框架虽也能得出同样结论，但其所依赖的“可忽略性”假设实际上依赖的是对分配机制进行正交化运算，其背后的道理若不借助因果图，则难以直观地被人理解和论证，笔者近期即深受其害/(ㄒoㄒ)/~~ 。 四、结论与展望 贝叶斯思想为何如此重要？珀尔的整个体系，其根基是贝叶斯网络，而一张因果图，本质上就是我们基于领域知识对世界构建的一个“先验信念模型”。数据的作用，正是在这个模型框架下，来更新我们的信念，证实或证伪我们提出的因果路径。这与贝叶斯学派“信念+证据=新信念”的核心思想完美契合。 而对于阶梯顶层的反事实问题，频率学派的概率论是无能为力的，因为反事实事件从未发生过，也就没有频率可言；只有在贝叶斯学派将概率诠释为“信心的度量”时，我们才能有意义在政治学领域讨论“假如清政府没有灭亡，中国自主走向现代化的可能性有多大”。当然，这并不意味着频率学派的工具就此过时。恰恰相反，当我们的因果模型告诉了我们“需要估计什么”之后，我们依然需要依赖频率学派强大的统计工具箱去完成具体的参数估计和假设检验，综合来看，鲁宾与珀尔两位教授恰恰成就了各个学科的交织演进，让各个学科间的交叉研究成为可能，避免了自说自话的尴尬（尤其是新传领域“黑话”问题非常严重！）。 因此，《为什么》的真正贡献，是为所有学科提供了一套统一且透明的因果语言，它告诫我们，数据本身不会说话，它只会回答被问到的问题。如果我们只问相关，就只能得到相关。只有当我们勇敢地构建起一个关于“为什么”的理论模型，数据才能在模型的引导下，为我们揭示出世界运行的深刻机理。这本书，正是引领我们从一个被动的数据观察者，转变为一个主动的世界提问者的思想蓝图。

本书将"因果"从哲学直接变成可计算，可验证的科学，彻底打破相关≠因果。 本书推翻统计旧规，不再只谈相关，回避因果，把因果变成严谨科学。 本书帮助读者，不被数据骗，不被相关误导，能精确决策，能解释原因。 本书将"因果"从凭感觉变成可计算、可验证、可推理的科学，這是一场AI决策的厎层思维革命。

纯阳书评（豆瓣:纯阳子/公众号:纯阳书评／微信号:chimbusco88）第469期《为什么》维克托•迈尔•舍恩伯格在《大数据时代》指出，大数据时代最大的转变就是，放弃对因果关系的渴求，而取而代之关注相关关系。也就是说只要知道“是什么”，而不需要知道“为什么”。号称颠覆了千百年来人类的思维惯例，对人类的认知和与世界交流的方式提出了全新的挑战。如果说这种颠覆是真实存在的话，那么这本书将是对这种颠覆的再次颠覆，同时也是对前者所要挑战的“人类的认知和与世界交流的方式”进行了一次实实在在的捍卫。而这种颠覆和捍卫恰恰也是本书的看点所在，具体内容如下： 第一、本书厘清了“只要知道是什么，而不需要知道为什么”的历史源流。 尽管维克托•迈尔•舍恩伯格宣称“只要知道是什么，而不需要知道为什么”，但是我们还是可以问一个为什么，即为什么要放弃对因果关系的渴求，而取而代之关注相关关系，但是《大数据时代》给不了回答，因为本书会告诉读者，现代大数据技术所基于的统计学理论不是不想知道为什么，而是因为出现了难以逾越的障碍而不情愿地放弃了对为什么的追求，不得不退缩到对相关性的守候，而这种守候从根本上讲不是一种主动选择，而是一种无奈的选择。但是选择一旦做出，学术探索就好似走上了一条忘记了因果的不归路，相关性成了唯一的目标，对因果的探讨甚至成了可有可无。 本书从历史和逻辑的角度，重新梳理出了因果研究应有的逻辑主线，从历史和认知的迷雾中还原出了因果研究的本来面目，并通过具体的方法体系，为因果研究扫清了障碍，而这种障碍的扫清，进一步增强了前述梳理工作的说服力。正如直觉告诉我们的，因果从来就很重要，从来没有变得不再重要，未来也不会变得不再重要。 第二、本书提出了一套囊括相关性的因果关系体系。 作者把这套体系称为因果关系之梯，梯分三级，分别是关联、干预、反事实，逐级突破，逐级升级，三级融为一个整体。关联就是通常意义上的相关性，在这一层级通过观察发现规律，现有的相关分析、回归分析等关联度量方法以及当今的主流人工智能都属于这一层级。这一层级希望通过数据发现知识，解决所有的问题，但是事实上这种想法可能只是水中落月，镜中看花，月也不是真月，花也不是真花，到头来一场空，如皋港没有一个因果模型，无论有多大的数据、多大的算力，也无法突破到第二层。 第二层是干预，这一层比关联更高级，不只涉及被动观察还涉及主动改变现状，要求我们掌握一种脱离于数据的新知识。 第三层是反事实，因果逻辑不只存在于数据之中，也存在于没有发生的事实之中，因为因果逻辑，有些事实发生了，所以我们看到了数据，同样因为因果逻辑，有些事实没有发生，尽管我们看不到数据，但是我们应该想到反事实。因为只有以数据为代表的事实和我们看不到的反事实结合在一起，我们才能看到因果关系的整体。 作者的因果关系之梯不但把相关和因果关系做了一个很好的梳理，而且为理解当前人工智能技术发展现状和未来发展方向提供了一个很好的指南和方向。 本书推荐。

我家孩子刚开始说话时，会突然蹦出一些成语之类的高级词汇，表达的意思以及场景非常正确，但是她完全不知道这个词的意思。这就类似于现在AI填空猜词的模式。 然后给她讲了成语的故事，她依然不理解这个成语的意思，但是一说到这个词她就能联想到这个故事。随着词汇量的增加，产生了更多的维度和关联，大量的词、句子、故事等数据之间的相关性涌现出了一定的逻辑。 但这不是书中那种线性的逻辑，不是那种需要因果的逻辑。而是一开始完全没逻辑的，非常的自由的瞎说。然后被不断输入的词汇、知识、经历压缩了自由度，从而变的有逻辑性，类似于把一堆数据压缩成了公式，也就是压缩即智能。 作者成书比较早，这几年AI在大力出奇迹下突飞猛进这是他无法预见的。书中说的AI不会反思，不会思考不存在的事，不会创造，是因为不理解因果。 但所谓的“因果”，可能只不过是人类对反复稳定出现的数据交互模式起了一个名字而已。哪怕是干预、做实验、改变变量，本质依旧是不同条件下的数据分布。所以，因果归根结底，还是大数据 + 不同场景下的统计关联。 AI不理解因果原因可能还是数据太少。我们人类也无法想象没见过的东西，我们出生时也没有逻辑，我们都是通过自身的生活经历所得的数据来产生认知的，所以同样看一本书，一件事，每个人的认知理解都可能是不同的。而所谓创造，就如同生活中偶然碰到了从未见过的事物，结合它出现的场景，自身的认知，发现了新的现象，先猜测各种假说然后再验证。本质上还是像孩童学语一样，先学会使用（猜词填空），通过生活经历（数据压缩）后理解语义（逻辑原理）。 AI现在缺少现实世界的数据，也缺乏与真实世界互动产生的反馈数据，未来这块的数据上来，特别是接触到人类没有接触到的新数据，以及类似于人类之间竞争时所创造更新出来的数据时，是否也就会涌现出理解物理规则，因果关系，想象创造的能力，从而诞生远超我们的智能呢？

本书介绍了一种可以用来厘清因果关系的工具，因果关系图，给出因果关系图中几种形式的关系：连接合、叉接合、对撞接合，基于不同形式关系来判断因素之间是否存在因果连接，分析因果连接时是否需要控制其他因素。 提出了因果之梯的概念，第一层是关联，第二层是干预，第三层是反事实（即假设和想象推导），是层层递进的关系，只有满足了反事实论断，才能说明两个因素之间存在因果关系，指出目前的大数据和人工智能只是停留在第一层，即相关，相关关系是弱于因果关系的，实现人工智能，不能只停留在关联层，必须要给人工智能灌输因果关系。 书中举了很多通过因果关系图去解决经典悖论问题，三门问题和样本不均衡问题的悖论。 提出do算子，用来表示干预而非观察得到的概率关系，是从第一层到达第二层的一种数学表示符号，以便可以区分干预和观察行为。 可能是作为科普书吧，总感觉有点东拉西扯的，例子和历史故事太多了，涉及核心观点和主张并没有那么多，水份太多，讲太多故事了。 个人思考，确实只从数据出发是不可能得到因果关系的，统计学家一般只会承认存在相关，不承认因果，这是比较严谨和保守的态度，对以客观性为原则来说，这是无可指责的。作者认为是可以推断出因果的，并且给出了方法论，有点责怪统计学家们不思进取的意味在。现实世界的因果关系是非常复杂的，辩证唯物主义说事物之间是存在普遍联系的，如果按照作者的主张，画出完整的因果图，考虑所有的相关因素，是不经济的，而且因果图里面各个因素之间的关系其实是依赖个人的主观判断的，每个人画的图都会不一样吧，这也会存在较大的沟通成本，数据有一个目的就是为了减少沟通成本，在一个相对客观的环境下，快速达成共识，因果图的构建一方面使得分析逻辑思路更明确，但是也增加了沟通成本，反映到现实就会出现作者鄙视的，大家对于因果探讨的沉默吧。目前来说还是随机实验能够最大限度的解决因果因素分析问题。作为数据分析的话，对通过数据来揭示因果，务必要保持敬畏和谨慎，危险又刺激。

本书作者朱迪亚·珀尔致力于建立并推广一门名为“因果推断”的新学科。他认为，这门新学科会影响到人类生活的方方面面。 这一学科的核心概念叫做“因果关系之梯”，其中包含了“关联”、“干预”和“反事实”三个层次。 “因果关系之梯”第一层：“关联” “关联”，指找出不同变量之间的关系，也可以叫“相关性”。在“相关性”的研究中，最重要的学者是高尔顿和皮尔逊。 高尔顿设计了“高尔顿板”，这块板子上按照三角形阵列，插满了钉子。从板子上口倒入很多小球，它们会在底部堆积成“中间多、两边少”的正态分布。人群的身高数据也符合正态分布：多数人是中等身材，特别高或矮的人很少。高尔顿认为这个钉板可以用来模拟遗传规律。 但是，如果增加板上钉子的层数，最后的分布会变扁、两边小球会增加。如果这与遗传规律相同，那么随着子孙代数增加，会出现更多特别高和特别矮的人。然而，人类身高实际分布状况是相对稳定的。此外，高尔顿还发现，那些高个父亲的儿子，会比普通人高一点，但是却没有父亲高；矮个男人的儿子类似，身高会更普通一些。高尔顿管这种现象叫做“向均值回归”。他一直想找到其中的因果关系。 然而，“回归均值”由概率规则就足以解释了。人的身高很高，一方面是遗传因素，另一方面是因为运气比较好。而他的下一代，遗传因素确实不错，但是环境变化了，或者运气变差了，于是身高就回落了。 在否定了因果性的绝对地位后，高尔顿还注意到，高个的人通常也有长度大于均值的前臂。显然，不能说身高导致了臂长，只能说二者存在一定的相关关系。 高尔顿开启了相关性的研究，他的学生皮尔逊更加极端，他想将因果关系从统计学中彻抹去，然而他却无法解释“伪相关”问题。 一个国家的人均巧克力消费量，和该国诺贝尔奖得主人数之间存在强相关。按照皮尔逊的说法，这是一种“伪相关”，没有科学意义。但是，巧克力的消耗越多的国家，往往越富裕，科研水平更高，因此诺奖学者也就越多。对于这种因果解释，皮尔逊坚决抵制。 为了更好地理解“伪相关”问题，需要到达“因果关系之梯”第二层。 “因果关系之梯”第二层：“干预” “干预”，分析的是“如果采取行动，会产生怎样的影响”。 做出干预之前，要排除“混杂因子”，它是指那些同时对“因”和“果”产生影响的因素。在“巧克力与诺贝尔奖”的故事中，国家经济就是一个混杂因子，它同时影响了巧克力消耗和诺奖人数。 学者们在设计实验时，要尽可能控制混杂因子，否则可能会出现“悖论”。 在“辛普森医生悖论”中，辛普森医生想测试一种防治心脏病的新药。实验中，患者分成吃药组与没吃药组（即对照组）。吃药组中，40名女性和20名男性。对照组中，40名男性和20名女性。 在对照组中，40名男性中，12人发病，发病率30%；20名女性中，1人发病，发病率是5%。在吃药组中，20名男性，8人发病，发病率40%；40名女性，3人发病，发病率是7.5%。评测结果显示，这种药对男性有害，对女性也有害。但是，把全部数据加和，会发现在没吃药的60人中，发病13人；吃药的60人中，发病11人。从全体人类的角度看，这个药是有效果的。 这一悖论的关键是：“性别”是一种混杂因子，同时影响了分组和疗效，应该排除掉。 为了避开混杂因子，可以采用随机控制变量法。 在对比A、B两种肥料的效果时，土壤、水源、种子、气候等因素都是混杂因子，会影响庄稼的产量。为此，英国学者费舍尔设计了随机控制变量实验，将一块土地分成很多小区域，然后在所有的小区域中随机分配A肥料和B肥料，记录它们的效果，这个过程作为一次实验。然后，反复重复实验很多次，每一次都重新随机分配肥料的对应区域。于是，所有混杂因子都在多次的随机过程中相互抵消掉了。 虽然，随机化可以消除混杂因子带来的偏差，但很多时候，我们却无法做出随机实验。比如，在研究肥胖对心脏病的影响时，不可能随机安排患者吃胖或者减肥。于是，要动用来自“因果关系之梯”第三层的能力。 “因果关系之梯”第三层：“反事实” “反事实”是指：“如果某事没发生，那会有产生怎样的结果”。“反事实”分析的本质就是问出“为什么？” “反事实”思考的关键是找到“中介因素”。如果A导致B，B导致C，那么B就是中介因素。 “坏血病”的案例体现了中介因素的重要性。在大航海时代，水手们被坏血病所困扰。直到1747年，林德医生发现食用柑橘类水果可以治疗坏血病，情况才有所改善。 然而，一个世纪后，英国极地探险队中又出现了坏血病。这是因为医生们没有弄清防止坏血病的中介因素，他们误以为柑橘类水果能预防坏血病的是因为酸。起初，水手吃的是西班牙柠檬；之后，人们开始用便宜的西印度酸橙作为替代品。虽然二者都很酸，但酸橙的维生素C含量却只有柠檬的四分之一。 直到科学家们分离出了维生素C，人们才找到了预防坏血病的关键，从而理清了因果关系：柑橘类水果提供维生素C，维生素C防治坏血病。 中介因素还有更复杂的内涵。当A导致B，A和B共同作用导致C时，此时中介因素B的存在，会让我们对问题的分析出现偏差。 在公司中，员工的学历和工作经历共同决定了薪水。如果小张是本科学历，5年工作经验，年薪是10万。那么，如果小张是硕士学历，他工资该有多少？ 用传统的回归分析法，可以建立公式：“员工薪水=A乘以学历+B乘以工作经验”。通过查找小张同事们的信息，可以计算出A和B的值。然后，把公式中小张的学历换为研究生，得出这种假设情况下他的薪水。 但是，工作经验是一个中介因素。工作经验与学历影响薪水，但工作经验同样取决于学历。因为，拥有更高学历的员工，往往花了更长的时间去接受教育。假如小张是研究生学历，那他的工作经验将减少2~3年，需要把这项修正考虑进去。 回归分析法停留在了因果关系之梯的第一层，只是观察了数据的特点。而考虑到中介因素，并理清了其中的关系后，才算做到了真正的因果推断，也就是到达了因果关系之梯的第三层。 经过攀爬三层因果关系之梯，我们才能建立起正确的因果模型。作者指出，当今的很多科学研究被束缚在了“相关性”这一层。他坚信“因果推断”这一新学科将带来整个科学界的转变，从而让科学更加繁荣。

不推荐任何自然科学领域硕士及以上学历的非辉格史观拥护者阅读本书。 如果因果分析真的处处solid，自然科学尤其实验科学的phd candidates难道是因为太蠢了才在世界范围内普遍性延毕吗？真实的自然科学研究里，画出因果图的箭头只需1秒，但实证每个箭头背后的实验事实可能需要耗费数个博士最好的人生时光。 当然，作者自称是一个不做试验的辉格史观者，那么以马后炮式的认知论立场写出本书这样字里行间透露着对经验科学研究实际缺乏基本认知的作品，也不足为奇。

因果之梯（Ladder of Causation）把人类或机器对世界的认知分成三个逐步深化的层次： ​​1. 观察层（Association/Seeing）​​ • ​​核心问题​​：X 与 Y 之间有什么关联？ • ​​典型例子​​：医生发现“咳嗽”与“感冒”在人群中经常同时出现，于是患者一出现咳嗽就怀疑感冒可能。 ​​2. 干预层（Intervention/Doing）​​ • ​​核心问题​​：如果我主动做 X，Y 会怎样变化？ • ​​典型例子​​：制药公司做双盲随机对照试验，把药物 A 给一部分病人、安慰剂给另一部分病人，观察哪组的康复率更高，以判断药物 A 是否有效。 ​​3. 反事实层（Counterfactual/Imagining）​​ • ​​核心问题​​：假如我当初没做 X，Y 会怎样？或者“为什么？” • ​​典型例子​​：一名患者服用药物 A 后康复，医生进一步思考“如果当时没给 A，患者会不会死亡？”以此评估药物真正的因果效应，或在法律、伦理场景中评估“若无 A 行为，结果是否仍会发生”。 三大层次逐级提升：仅靠相关性无法说明因果；干预实验可确认因果方向，但仍无法回答“如果没发生 X 会怎样”；反事实推理则允许我们在心智中“违背法则”去想象未发生的世界，从而真正回答“为什么”。

这本书是有些料道的，我决定再复读一遍，如果不行我就再读第三遍。 第一遍阅读让我知道：统计学的概率模型与因果关系的本质不同。统计学的模型与时间无关，或者说排除了时间的先后顺序，最多只是一种相关性；而英国关系里包含有时间要素，当我们谈因果关系时，因必须在前而果必然在后，所谓的前因后果。再深入一点，统计学是抽象的结果，因为它跟时间无涉；英国论则只能是具象的，它必须存在现实中。按照作者是语言：统计学只知道“是什么”，但因果关系却描述“为什么”。 但根据我的认知，这本书最多也只能在实证科学的领域里多少迈进一小步 ，并不具备在更高的层级，即存在论的层级讨论问题。因为在更高层级，因果逻辑并非我们研究的对象，研究者和研究对象的合一才是前提。凡是还在探究因果逻辑的学问，都只是在认识论里打转转…人类要超越实证科学的层级，感知到事物的历史性，才能真正看清楚事物的本质。 啃这样的书，有些智识上的愉悦。