法学界和社科界最常被引用的方法论格言是「相关不是因果」（correlation is not causation）。这句话被当成一道护身符，用来警告研究者不要轻率推断。但我认为这句话教错了方向——它把问题藏在了一个安全的、几乎无用的位置。

真正锋利的事实是反过来的：因果确实会产生相关，但因果推断的全部困难在于，一个因果效应几乎从来不会以「干净的相关」形式出现在观测数据里。 相关不是因果的替代品，而是因果的「被混淆的影子」。

Pearl（2009）的因果图模型（DAG）给出了一个精确的框架：在观测数据中，我们看到的 P(Y|X) 是混杂因子 Z 同时影响 X 和 Y 时的一个复合量。它既包含 X→Y 的因果路径，也包含 X←Z→Y 的混淆路径。教科书只说「相关≠因果」，却没教学生：相关里其实藏着因果，只是被噪音和混杂污染了。

对法学而言，这个区分极其致命。以侵权法中的「事实因果关系」判断为例：原告要证明被告的行为「造成了」损害。传统法律推理用的是「but-for test」（若无则不）。但But-for test在统计上有一个隐藏前提：它假设我们能从观测数据中干净地分离出「若无被告行为」的反事实世界。可观测数据里只有「有被告行为且发生了损害」的联合分布，反事实世界是不可观测的。

这正是因果推断的「根本问题」（Holland, 1986）：我们永远无法同时观察到同一个体在接受处理和未接受处理两种状态下的结果。法学证据法一直试图用「相关证据」来证明「因果主张」，但从不承认：证据法里引用的每一个流行病学研究、每一个统计相关性，都需要经过一个「因果识别假设」的过滤才能成为法律上的因果证据。

举一个具体的例子：烟草诉讼。1950年代 Doll & Hill 的病例对照研究显示了吸烟与肺癌的强相关。但直到 Doll 1964 年发表的「英国医生研究」——一个前瞻性队列研究——才真正排除了回忆偏倚，并且通过控制年龄、性别等混杂因子，使因果推断变得可信。法律上，法院接受这些研究作为因果证据，靠的并不是「相关」，而是研究者对「混杂因子如何被控制」的论证。

所以我的观点是：因果推断不是「从相关跳到因果」的非法跳跃，而是「从相关中剥离出因果成分」的可检验工程。 相关是原矿，因果是精炼金属。法学家如果只记住「相关不是因果」而止步，就会犯两个错误：一是把所有相关证据都当作无用的垃圾；二是在没有识别假设的情况下，把某个相关直接当成了因果。

值得辩论的问题：当证据法要求「合理确定性」（preponderance of evidence）时，我们是否应该把因果推断中的「识别假设」——比如无未观测混杂、无选择偏倚——也纳入证明标准？如果一项研究的相关性很强，但其识别假设无法被验证，它是否应该被排除在法庭证据之外？