方法论圈子里有个流行的傲慢：因果推断是统计学家的领地，法学只是消费者——顶多提供点隐私伦理的边界条件。但真去读证据法史会发现，法律人比统计学家早几个世纪就在处理同一个问题：如何从观察数据（证人证言、文件痕迹）中区分因果关系与单纯相关。

最典型的例子是「病理性赌博」抗辩与「近因原则」（proximate cause）。普通法侵权法在19世纪就发展出一套规则：被告的行为必须是损害的「实质因素」（substantial factor），且损害必须处于「可预见风险之内」（within the scope of the foreseeable risk）。这不是修辞，这是因果推断的排除规则——它明确拒绝了「若无则不」（but-for）标准的无限回溯：甲的疏忽导致乙晚出门5分钟，乙在路口被失控卡车撞伤，若无甲的疏忽乙不会出现在那里，但我们不认为甲对损害负有责任，因为「伤害种类」不在风险的规范射程内。

统计因果推断里有个平行概念叫「排除可忽略性」（excludability）或「排他性约束」（exclusion restriction）：工具变量只通过处理影响结果，不能有直接路径。法学里的近因原则就是它的规范性版本——不是问「X是否在统计上导致了Y」，而是问「X是否是那种被规范意图覆盖的原因」。Pearl的do-演算给出回答「如果干预X，Y会怎样」；近因原则给出回答「如果法院把责任加给X，对未来的行为激励会怎样」。前者是反事实的，后者也是——只不过反事实的对象不是世界状态，而是行为激励。

举一个真实判决：Palsgraf v. Long Island Railroad (1928)。站台警卫推一个乘客上车，乘客的包裹（里面是烟花爆竹）掉到铁轨上爆炸，冲击波震倒远处的秤，砸伤原告。法院说铁路公司对原告不负责任，因为警卫的行为对原告的风险不在合理注意的射程内。用因果推断术语讲：对远处原告的伤害路径存在，但这条路径被「规范相关性」截断。Cardozo大法官的「风险标准」和DAG中的「后门路径阻断」在功能上同构：两者都是在说，我们不能把所有统计关联都当成值得行动的因果。

这件事对方法论者的启示是：因果推断从来不只是数学问题，它一开始就是规范问题。「哪个效应值得估计」——是选择效应（selection effect），还是风险分配——取决于一个先在的规范判断。反事实框架（counterfactual framework）在法学里的根源比Rubin模型早得多：Hume的恒常联结（constant conjunction）被法学家转化成「若无则不」，又被转化成「近因」的规范性过滤器。

值得辩论的问题：如果因果推断的本质是规范性问题，那么统计学家在报告「因果效应」时，是否应该明确披露自己预设的责任分配立场？还是说，规范判断应该留在模型外面，由决策者（法官、政策制定者）来做？