《为什么：关于因果关系的新科学》拆书笔记

一句话核心：数据只告诉你「看见」什么相关，只有因果模型才能回答「做」了会怎样、以及「如果当初…」——人比数据聪明，是因为人会上「因果之梯」。

核心框架一：因果之梯（Ladder of Causation）

人类/机器的认知能力分三级，每一级回答不同的问题：

看见（Seeing）：只看关联。问「若我看到 X，Y 会怎样变化？」（P(Y|X)）。普通动物与早期机器学习都停在这一级，只能拟合相关。
行动（Doing）：干预世界。问「若我去做 X，Y 会怎样？」（P(Y|do(X))）。能计划、能实验的生物在这一级；随机对照试验（RCT）是最理想干预。
想象（Imagining）：反事实。问「若当初不那样做，会怎样？」。这是人类独有、三岁儿童已具备的能力——让我们能后悔、归因、总结经验。

何时用它：任何「要不要做这个改变/决策会带来什么后果」的判断，先自问处在哪一级——只看到相关(p<0.05)不等于能干预(do)，能做干预不等于能反事实归因。边界：数据规模再大也无法把「看见」自动升级到「行动/想象」，中间必须有显式的因果模型假设。

核心框架二：三条因果管道 Junction（链/叉/撞）

因果图中任何变量的关系都由三种基本结构拼成：

链 Chain：A → B → C：B 是中介(mediator)。火→烟→警报。若把 B 固定住，A 与 C 的相关会消失（因为切断传导机制）。
叉 Fork：A ← B → C：B 是混杂因子(confounder)。年龄越大，鞋码与阅读能力都越高 → 产生虚假相关。把 B(年龄)固定住，虚假相关即消失。
撞 Collider：A → B ← C：A 与 C 独立地共同导致 B。天赋与美貌共同导致「成功」……而天赋与美貌本身无关。但若「条件于撞点 B(成功者样本)」，反而会在 A 与 C 间造出虚假负相关——即「对撞子偏差 / Berkson 悖论」。

何时用它：做任何「要不要控制这个变量」的回归/对比分析前，先画因果图，判断该变量是中介、混杂还是对撞子。边界：默认「控制所有能测的变量」是灾难——有时候你控制的正是你想测量的机制，有时控制对撞子会制造不存在的相关。

核心框架三：控制变量的红绿灯原则

✅ 该控制：混杂因子（叉的公共原因）——不控制会有虚假相关（鞋码与阅读）。
❌ 不该控制：中介（链中节点）——控制它会「过度控制」、切断机制，让你误判 A 对 C 无用（如控制「自信」会抹掉「育儿质量→孩子收入」的真实效应）。
❌ 不该控制：对撞子——控制它会「造出」本不存在的相关（吸烟→肺病，却去控制安全带使用，反而引入虚假混杂）。

一句要义：「有时候你控制的，正是你想测量的东西。」

核心框架四：do 算子与因果结论的门槛

观察式概率 P(Y|X) ≠ 因果式 P(Y|do(X))。
例：看见气压计下降 → 风暴概率升高；但「强制把气压计拨下来」并不会带来风暴。
结论：凡是想声称「X 导致 Y」，都必须写成 do(X) 的形式，并意识到仅靠被动观察数据无法到达 do 层面，需要假设或干预。

何时用它：读到「A 与 B 相关因此可归因/可干预」的论断时，套用气压计检验——如果「强制改变 A」不会使 B 改变，那它就不是因果而只是相关。

核心框架五：因果模型是可证伪的假设，不是真理

用因果图把假设画出来，再用数据检验：数据若与假设不符 → 模型错，需重画。
但模型永远不能被证明正确——总可能有未被发现的混杂因子(lurking confounder)。
因此结论都是「带前置条件的暂时性结论」，价值在于把假设讲透明，让人能判断其合理性、检验其脆弱性。
有些因果假设（如区分叉结构与链结构）根本无法用观察数据辨别，只能靠干预实验。

反事实与「人比数据聪明」

世界不是干巴巴的事实集合，而是被因果关系「粘合」起来的事实。
换个方向可产生完全相同的观测数据：A→B→C 与 C→B→A 数据分布相同，但对 A 动手的结果天差地别。
「你是比你的数据更聪明的」——数据不懂因果，只有掌握因果模型的人，才能用观察数据推出干预甚至反事实结论，也才能诚实标注其中的不确定性。

边界与盲点（批判性）

珀尔的立场派系：他极为尖锐地批判统计学的「相关主义」，读者只听到一方声音；因果推断领域仍有学派（如潜在结果论 Rubin）与他对立。
图的准确性决定一切：画因果图这一步本身带有主观「放纵/假设」成分（需某种 abduction）——图若画错，后续数学再严谨也是错。
数据驱动的「看见」仍有价值：珀尔把纯关联学习置于最低层，但他自己也承认到 2023 年，喂给机器的文本已隐含 2/3 层信息，机器升到「一层又四分之三」，说明纯数据范式也在演进，不能简单贬低。

当天可试的一个实验

挑最近一个「看似相关、想归因果」的日常判断（例如：喝咖啡 vs 精力、早睡 vs 效率、戴耳机 vs 专注），手绘一张最小因果图，标出其中的混杂因子、中介、对撞子，然后回答： ① 我是靠「看见」还是真的做过干预？ ② 若要做干预得到真实结论，最干净的设计是什么？ ③ 我对某变量「条件于」（分组/控制）了吗——它是混杂、中介还是对撞？用这个三步走，立刻能从「数据相关」思维切到「因果」思维。