08相关性≠因果性（Correlation ≠ Causation）
费曼学习法：先讲给十二岁的孩子听
夏天，冰淇淋卖得越多，溺水的人也越多。有人于是提议：禁售冰淇淋，救孩子。
荒唐吗？荒唐。但数据是真的——冰淇淋销量和溺水人数确实一起涨。
问题出在少了一个第三者：天热。天热的时候，买冰淇淋的人多，下水游泳的人也多，于是溺水的人也多。冰淇淋和溺水之间没有任何因果关系，它们只是被同一个原因推动的两个结果。
这个第三者有个名字，叫混淆变量。现实里绝大部分"相关"，都是这么来的：
- 去医院越勤的人，健康状况越差——不是医院害人，是病人去医院；
- 成绩好的学生，家里书多——不是书让孩子聪明，是重视教育的家庭既买书也重视学习；
- 每天喝红酒的人更长寿——很可能是因为他们整体上更富裕、医疗条件更好。
- 公司里用某种工具多的团队业绩好——可能是业绩好的团队才有余力折腾工具。
一句话讲清楚：两件事一起变化，只能说明它们有关联；要说"谁导致谁"，你得先排除掉那个同时推动它们的第三者——而它通常藏得很好。
一、这个思维模型是什么
1. 定义
相关性指两个变量在统计上共同变化；因果性指一个变量的变化产生了另一个变量的变化。
相关是因果的必要条件，不是充分条件。 两件事相关，除了"A 导致 B"，至少还有四种可能：
- 反向因果：不是 A 导致 B，而是 B 导致 A。员工幸福感高与公司业绩好——很可能是业绩好让员工开心。
- 混淆变量：第三者 C 同时导致 A 和 B（冰淇淋案例）。
- 巧合：样本足够多、变量足够多时，纯随机也会产生显著相关。跑一百次回归，总有几个"显著"的结果是纯噪声。
- 选择性偏差：样本被筛过，于是产生了并不存在的关联。→ 见 #33 幸存者偏差
2. 辛普森悖论：相关甚至会反转
这是本模型中最反直觉、也最实用的一块：分组看都成立的结论，合并起来可能完全反过来。
经典例子是某大学研究生录取数据：整体上男生的录取率明显高于女生，看起来像性别歧视；但分到每个院系看，女生在几乎每一个院系的录取率都不低于男生。原因很简单——女生集中申请录取率低的院系，男生集中申请录取率高的院系。院系这个变量同时影响了"性别"和"录取率"，合并统计就产生了方向相反的结论。
启示：看到任何分组数据，先问能不能反过来拆。按部门拆、按地区拆、按时间拆、按用户分层拆——结论若在各层都一致，才比较可信；若合并与分组结论相反，说明存在结构差异，必须深挖。
3. 判断因果的三条标准
要主张"A 导致 B"，至少要同时满足：
- 相关性：A 与 B 确实共同变化。
- 时间顺序：A 的变化发生在 B 之前（这一条能排除掉大量反向因果）。
- 排除其他解释：能控制住所有合理的混淆变量。
第三条最难，也最常缺。在观测数据里，第三条几乎永远无法完全满足——这就是为什么要靠随机对照实验。→ 见 #26 控制变量与随机对照
4. 与相邻概念的区别
- 与幸存者偏差：幸存者偏差产出的是被污染的样本，在这个样本上算出的相关性本身就是假的。→ 见 #33 幸存者偏差
- 与回归均值：极端表现之后的回落，常被误当成"干预有效"。→ 见 #34 回归均值
- 与系统性思维：在复杂系统里，因果关系常常是双向的、有反馈的、有滞后的一一简单的"A 导致 B"本身就是一种过度简化。→ 见 #43 系统性思维
二、为什么它重要
- 它是被违反得最多的统计常识。 从"喝红酒长寿"的养生帖，到"某某特征的公司更容易成功"的商业畅销书，绝大部分流行结论都建立在不成立的相关之上。
- 它决定了钱会不会白花。 依据伪因果做的决策（抄成功公司的某个做法、买据说有效的工具、模仿学霸的学习方法），几乎必然无效——因为你模仿的是相关物，不是原因。
- 它是理解科学主张的门槛。 看到"研究表明"四个字，第一个该问的不是"研究是谁做的"，而是"这是相关性研究还是因果性研究"。绝大多数营养学、社会学、教育学的观察性研究，得出的都只是相关。
- 它是自我复盘的分水岭。 "我上次这么做就成功了"——这句话里几乎必然藏着混淆变量：时机、环境、运气。→ 见 #90 自利偏差
三、生活中如何使用
1. 听到"研究表明"，先问是哪种研究
两类研究的分量完全不同：
- 随机对照实验（RCT）：主动分组、随机分配、控制条件 → 可以主张因果。
- 观察性研究：只看已有的数据，找关联 → 只能主张相关，无论样本多大、统计多显著。
媒体在报道观察性研究时，几乎总会用"导致""有助于""让你更"这类因果动词。看到这些词，先回去看原始研究的设计。 → 见 #26 控制变量与随机对照
2. 强制自己找"第三者"
看到一个吸引人的相关，先花一分钟问：有没有什么东西，同时会让这两件事变多（或变少）？
这是投入产出比最高的一分钟。常见的第三者有：年龄、收入水平、教育程度、城市、季节、整体趋势、选择进入的自选性。
3. 问"时间顺序对不对"
很多伪因果一问时间顺序就露馅。是幸福带来成功，还是成功带来幸福？是培训提升了业绩，还是业绩好的部门才有预算做培训？如果 A 和 B 是同时测量的，你连方向都判断不了。
4. 拆开看：警惕辛普森悖论
拿到汇总数据，养成拆开看的习惯：按部门、按地区、按时间、按客户分层。若拆开后趋势一致，结论较稳；若拆开后方向改变，恭喜你，你发现了真问题。
5. 用"如果没有 A，B 会怎样"来检验
因果关系的本质是可干预性：如果我改变 A，B 会跟着变吗？
这句话能过滤掉大量伪因果——你可以让员工更幸福，但业绩不一定跟着涨；你可以买更多书，但成绩不一定跟着涨。凡是"改变 A 却改变不了 B"的，A 就不是 B 的原因。
四、注意事项与常见误用
- 不要滑向"既然相关不是因果，那相关就没用"。 这是最有害的误用。相关是线索，是科学发现的起点：吸烟与肺癌的因果，最初就是从相关开始的。正确态度是"相关提示方向，因果需要实验验证"。
- 别用"相关不是因果"来逃避证据。 当大量独立研究、不同方法、不同人群都指向同一个方向，并且存在合理的机制解释时，因果的可能性就很高了。拿这句口号挡掉所有不利证据，是另一种形式的确认偏误。→ 见 #27 确认偏误
- 随机对照实验也有边界。 RCT 内部效度高，但外部效度（结论能不能推广到你的场景）另说；而且很多问题（宏观经济、教育政策、人生选择）根本无法做实验。没有实验不等于没有因果，只是因果更难确定。
- 警惕"机制故事"的诱惑。 人极易被一个讲得通的因果故事说服，哪怕数据只是相关。故事不是证据——一个动听的机制解释，会增加假设的可信度，但不能替代检验。
- 在复杂系统里慎用单向因果。 反馈回路让"A 导致 B、B 反过来加强 A"成为常态，此时问"谁是因谁是果"本身就是错问题，应该问"这个回路的增益是多少"。→ 见 #20 反馈回路
- 模型边界：这个模型回答"观察到的关联能不能当因果用"，不回答"如何确定因果"（需 #26 控制变量与随机对照）、"如何在没有实验时提高推断可信度"（需自然科学式的机制验证、多方法交叉、剂量反应关系、自然实验等一整套因果推断工具）。它是一面照妖镜，不是一套建造方法——它擅长拆穿，不擅长给出替代答案。
五、一句话总结
两件事一起变，只说明它们有关联——先问有没有第三个东西在同时推动它们，再问时间顺序对不对，最后问"我改变 A，B 会跟着变吗"；记住相关是线索不是结论，而最危险的相关，是那个讲起来特别顺、特别想让你相信的故事。
免责声明
本文为思维模型的科普与方法论介绍，所涉医学与商业案例仅用于说明概念（现实中因果关系的判定远为复杂），不构成任何医疗、健康、投资或其他重大决策的建议。读者据此做出的任何决策及其后果，由决策者自行承担。