了解因果关系如何工作以及如何使用因果关系

"相关并不意味着因果关系"。 您以前可能已经听说过，现在两者之间的区别应该很明显，对吧？ 好吧，不是真的。 尽管我们理解它们不是一回事，但因果关系并不容易定义。

> If you didnt get the joke, you should probably read this article.

而且，也难以测量和识别。 在本文中，我们将尝试提供因果关系的定义，最重要的是，我们如何识别和衡量因果关系。

相关和因果关系有什么区别？

当通常发生两件事时，我们说它们是相关的。 例如，圣诞节那天，北半球的天气通常是寒冷的，而南部则是温暖的。 这些事情是相关的，但这是否意味着寒冷的天气导致圣诞节（或圣诞节导致寒冷的圣诞节）？ 好吧，那没有多大意义，对吧？ 这是因为因果关系意味着，如果一件事情不属于另一件事情，那么一件事情就不太可能发生（或根本不会发生）。 例如，下雨时，人们会用雨伞。 雨和雨伞是相关的，但也有因果关系：雨使人们得到雨伞。 如果不是下雨，人们可能不会使用雨伞。

因果关系被定义为"因果之间的关系"，而因果关系被定义为"引起动作，现象或条件的人或事"。 然而，多年来，哲学家一直努力地用这些定义来达成共识，一旦统计学家开始研究相关性，他们就必须非常清楚这是一种不同的现象，并且他们无法解释因果关系。

我们如何确定因果关系？

从统计上讲，找到相关性或多或少容易：所需的所有信息都应在数据中。 但是，因果关系比较棘手：它需要领域知识。 我们知道寒冷的天气不会导致圣诞节的唯一原因是因为我们了解季节的工作方式，我们知道圣诞节在每年的同一天发生，因此我们知道它们之间的相关性，而我们知道这并不是因为一个因素导致了另一个原因 。

因此，确定因果关系不只是统计数据：它需要了解统治我们正在研究的主题的基本模型和结构。

识别因果关系的金标准是一项随机对照试验：例如，在医学中，当我们要测试某种药物是否确实按照预期的方式发挥作用时，我们将我们的人群样本分为两个随机组， 仅将药物用于这些人群之一。 然后，我们将该组中的更改与另一个（对照组）中的更改进行比较。 无论这些更改是什么，我们都可以放心地认为它们是由于药物引起的（考虑到整个试验的设计合理）。 但是，这种方法并非总是可行的，特别是在我们与整个国家和经济体打交道的社会科学（如经济学）中。 为了确定这些情况下的因果关系，我们可以使用因果图。

> The simplest causal diagram there can be

左图是因果图的最简单形式：它表示A导致B的情况。使用这种复杂关系的图形表示法是科学界的重大突破，因为它可以轻松理解复杂的相互作用。 了解了这种表示形式后，我们可以看一个更现实的示例：

假设我们想知道多走可以改善寿命。 然后，我们带一群人，测量他们每天走路多少，然后分析他们的死亡率。 该研究实际上是在1998年进行的，并发表在《新英格兰医学杂志》上。他们得出的结论是，多走的人死亡率较低。 但是，这是一个典型的情况，我们无法推断因果关系，我们可以通过查看上图来理解原因：将步行与死亡率联系起来的箭头表示以下假设：步行可以使您的寿命更长，但是当我们添加新的 在图片"年龄"的元素中，我们可以看到，年龄也有可能被我们称为混杂因素：由于明显的原因，该变量会增加死亡率，但也会使人的行走减少。 为了解决此问题，最好的方法是按年龄控制我们的分析：仅比较相同年龄范围内的人之间的数据。

一旦我们开始添加更多变量，因果关系图很快就会变得非常复杂，但是这里的关键是要确保我们考虑到变量之间的所有可能的相互作用，并记住不要在两个变量之间加箭头实际上是一个强有力的假设， 那两个是独立的，所以要小心。 一旦有了合理的因果关系图，并且控制了混杂因素，您就可以推断因果关系，前提是您要制作关系图。

如何衡量因果关系？

只有在您具有合理的因果关系图并检查了其假设后，才可以测量因果关系。 在测量两个变量之间的因果关系时，您将意识到，您还需要知道该关系的形状。 例如，如果关系（年龄->步行）是线性的，则对于一个人的年龄，每年她走的步伐要少一些。 您可以在测量形状的同时找到该形状，然后可以运行一些测试以确保结果正确。 一种实现方法是运行回归。 这是我的一篇文章的链接，解释了线性回归的基础。

结论

正如我们所看到的，仅仅知道关联并不意味着因果关系是不够的：我们需要能够识别和衡量它。 由于科学方法的最新进展，现在我们能够正确地做到这一点，这为许多不同领域打开了大门。

如果您想了解更多，Judea Pearl撰写的《为什么之书》是一个很好的起点，该书在不涉及技术的情况下，但仍以扎实的方式介绍了该主题。 您穿越因果关系领域的旅程不必到此结束！

(本文翻译自Arthur Mello的文章《The Science of Why: a brief introduction》，参考：

https://towardsdatascience.com/the-science-of-why-a-brief-introduction-b2ae413055ab)