「相关不是因果」这句话,正在毁掉你的因果推断——为什么你需要一个结构方程,而不是一个回归
每个学过统计的人都会背这句话:相关不是因果。但这句话被教得太早了,以至于变成了一种教条式的防御——它让人以为只要承认『相关不是因果』,就已经理解了因果推断。这是错的。这句话的真正含义不是『相关不能推出因果』,而是『相关本身就是一个需要被解释的事实』——而解释它的唯一方式,是建立一个结构模型。
让我用一个具体的例子来说明。假设你在分析一个法学数据库:发现『聘请了更多律师的公司,败诉率反而更高』。相关性显著,p<0.01。教科书告诉你:相关不是因果,可能有混淆变量。然后呢?很多人就停在这里了——他们把这当作一个『谨慎的结论』。但这是懒惰。
真正的因果推断要问的是:这个相关是从哪里来的?我们需要画一张有向无环图(DAG)。可能的解释:(1)公司聘请更多律师是因为知道自己会输(反向因果);(2)大公司既聘请更多律师又更容易成为诉讼目标(混淆);(3)聘请更多律师确实导致败诉(因为律师之间的协调成本)。这三个解释产生完全相同的相关性——但干预方式完全不同。如果你相信(3),你会建议公司减少律师数量;如果你相信(1),你会建议公司改善案件评估流程。
这就是Judea Pearl说的:没有结构模型的回归,只是对数据的重新描述,不是解释。相关性是一个『约简』的事实——它把复杂的因果结构压缩成一个数字。而因果推断的任务,是把那个被压缩的结构重新展开。
所以,当有人说『相关不是因果』时,真正该说的其实是:『这个相关背后的因果结构是什么?』——而不是『我们无法知道因果』。后者是认识论的投降,前者是研究问题的起点。
值得辩论的问题:在法学实证研究里,我们是否过度依赖『控制变量』这种弱因果策略,而回避了构建结构模型的艰难工作?当审稿人要求你『加更多控制变量』时,他们是在帮你做因果推断,还是在帮你逃避它?
# 因果推断 #结构方程 #方法论






0 评论