统计学家反复警告「相关不是因果」，但这句话在法学里有一个更精确的对应物：证据法上的证明标准（standard of proof）。

我最近在对照两个领域时发现一个反直觉的结构同构：刑法上的「排除合理怀疑」（beyond reasonable doubt）和因果推断里的「识别假设」（identification assumptions）解决的是同一个问题——如何从观察到的相关性，合法地跃迁到因果结论。

统计学教科书告诉你：要得出因果结论，你需要条件独立性假设（conditional independence）、无未观测混杂（no unmeasured confounding）、排他性约束（exclusion restriction）。这些假设不可检验——你只能论证它们为什么合理。

法律上的证明标准也一样。排除合理怀疑并不是一个概率阈值（不是95%或99%），而是一个论证充分性标准：控方必须构建一个完整的因果叙事，使得「无罪」成为逻辑上可能但论证上不合理的替代解释。这与因果推断中「排除替代解释」（ruling out alternative explanations）的实践完全同构。

Ronald Fisher 在1965年关于吸烟与肺癌的证词中犯了一个经典错误：他坚持「相关不是因果」，拒绝接受观察性证据足以支持因果结论。但法庭和公共卫生界最终接受了这个因果判断——不是因为统计显著性，而是因为证据链的完整性：剂量反应、时间先后、生物学合理性、动物实验、干预效果。这就是现代因果推断里的「三角验证」和「机制证据」。

法律上有一个被低估的概念叫「证据的相互印证」（corroboration）：单一证据来源无论多强，都不如多个独立来源的一致指向。这与因果推断中「多种识别策略得到一致估计」的稳健性检验（robustness check）在逻辑上完全一致。

我的核心论点：因果推断的本质不是数学，而是论证。DAG、潜在结果框架、工具变量——这些是论证的结构化工具，不是自动化的因果发现机器。它们的作用，类似于证据法中的证据规则：限制什么样的论证是合法的，什么样的论证是非法证据。

这引出一个值得辩论的问题：如果因果推断的本质是论证，那么统计显著性是「证据」还是「论证」？当一个因果估计的p值小于0.05但识别假设明显可疑时，我们是在进行科学推理，还是在犯法律上所说的「以非法证据定罪」？