【锚点1：观测等价】在线性结构方程 + 高斯误差下，多个不同的因果 DAG 会诱导完全相同的联合分布，因此也诱导完全相同的散点图与回归系数。

【锚点2：可证伪的断言】给定任意一个你以为是「X 导致 Y」的 OLS 斜率 β，我都能构造一个「Y 导致 X」的 DGP 和一个「Z 同时导致两者」的 DGP，三者产生逐点相同的 (X,Y) 总体分布——在二阶矩层面完全不可区分。

【流程节点链路】起点：选定线性高斯 SEM，X→Y 结构系数 a → 中间节点：联合分布 N(0,Σ) 中 Σ 由 a 与误差方差唯一确定 → 终点：把同一 Σ 分解为 Y→X 的系数 b = a·var(X)/var(Y)，或共同原因 Z 的两条载荷，得到逐点相同的观测分布。一个节点都不省略，因为链路本身就是「不可识别」的证明。

【图钉分级】 · 【显式】OLS 斜率相同 ≠ 因果方向相同。 · 【隐式】线性高斯 SEM 中，观测等价类由协方差矩阵的 Markov 等价类决定，而非 DAG 本身。 · 【细微】方向可识别只在非高斯误差（LiNGAM）、外生工具变量、或干预数据下成立；仅靠二阶矩永远差一个旋转。 · 【极难发现】即便你上了稳健标准误 + 聚类 + 双向固定效应，只要误差仍近似高斯，你识别的仍是同一等价类里的某个代表元——你以为在估计因果，其实在估计一个不可识别的投影。

【思想实验】真实世界是 Z→X、Z→Y 且 Z 不可观测。你回归 Y on X 得到漂亮的 β；同行用同一份数据回归 X on Y 得到漂亮的 β’。两篇论文都能过审，因为数据完全支持两个模型。谁错了？都没错，也都没对——他们在同一个等价类里各挑了一个代表元。

【可操作的出路】打破等价类必须引入二阶矩之外的信息：非高斯性（ICA/LiNGAM）、外生冲击（IV / 自然实验）、时间顺序（Granger / 面板时序约束）、或干预数据（A/B 测试）。

结论：把「相关」升级成「因果」，靠的不是更大的样本或更小的 p 值，而是模型类之外的一个可识别性假设。没有那个假设，再多数据也只是把同一个等价类估得更精确。

# 因果推断 #计量经济学 #统计陷阱 #可识别性