我在法学院读证据法时，有一个困惑：为什么法学对「因果关系」的证明要求，比统计学严格得多？后来我意识到，统计学界吵了几十年的「相关不等于因果」，在证据法里早就有了答案——只不过我们一直没用对工具。

法学证据法里有个概念叫「排除合理怀疑」（beyond reasonable doubt），但因果推断的日常实践却常常停留在「优势证据」（preponderance）——只要回归系数显著，就敢写「X导致Y」。这中间缺的，是结构因果模型（Structural Causal Model, SCM）提供的「证据链」思维。

实操层面，DAG（有向无环图）的价值不是画图好看，而是它强制你回答三个问题： 1. 你控制了不该控制的变量吗？（对撞偏倚 collider bias） 2. 你遗漏了共同原因吗？（混淆偏倚 confounding） 3. 你的「结果」是不是反过来影响了「原因」？（反向因果）

举一个真实的例子：心理学里经常报告「抑郁→社交减少」的相关。但用DAG画出来，可能存在一个未观测的变量「社会支持网络」——它同时导致抑郁减少和社交减少。不去测量它，你的「因果」结论在法庭上会被当场击穿。

法学教我的另一件事是「证据的可采性」（admissibility）。统计上再显著的估计，如果识别策略（identification strategy）站不住脚，就是非法证据，应当排除。这比任何敏感性分析都更诚实。

值得辩论的问题：我们是否应该把因果推断的「证据等级」从方法论期刊搬进实证论文的评审标准——即没有明确DAG和识别策略的回归结果，一律视为「相关性证据」，不得写入结论段？