相关 vs 因果测验
雪糕「导致」溺水,消防员「造成」损失,红酒「延长」寿命……12 个场景,考你能否认出相关背后的混杂变量、反向箭头和纯粹巧合——以及哪一条因果推断其实站得住脚。
0 / 12 题已答
第 1 题
某沿海城市统计发现:雪糕销量高的月份,溺水事故也明显更多。本地论坛热帖惊呼「雪糕害人」。最合理的解释是?
第 2 题
某跑团统计发现:戴护膝的成员报告的膝盖伤病远多于不戴的成员。有人提议「为了保护膝盖,禁止戴护膝」。这个推理错在哪?
第 3 题
某小学的数据显示:鞋码越大的学生,识字量越高。校长要不要给全校换大一号的鞋?
第 4 题
公鸡每天清晨准时打鸣,几分钟后太阳升起,从不失手。村里的小孩由此断定:是打鸣把太阳叫起来的。这属于哪种推理错误?
第 5 题
某学习 App 宣称能提高考试成绩。下面哪种做法最能证明「是 App 导致了提分」?
第 6 题
某中学调查发现:自信心越强的学生,成绩越好。校长打算开设「自信培养课」来提高全校成绩。最有力的质疑是?
第 7 题
球迷小张穿着「幸运球衣」看了 5 场球,主队赢了 4 场。他从此不肯洗这件球衣,坚称是球衣带来胜利。最靠谱的评价是?
第 8 题
市政数据显示:出动消防员越多的火灾,财产损失越大。有评论员据此主张「少派消防员,减少损失」。问题出在哪?
第 9 题
篮球迷坚信「手感火热」:球员连中几球后,下一球更容易进。关于这个问题最著名的研究到底发现了什么?
第 10 题
A 医院的整体治愈率低于 B 医院;但把病人分成轻症和重症后,A 医院在两组里都比 B 医院高。这怎么可能?
第 11 题
多项随机对照实验把失眠者随机分成「睡前一小时不碰手机」组和照常组,不碰手机组普遍入睡更快。朋友摆摆手:「相关不等于因果。」他这句话用对地方了吗?
第 12 题
某养生公众号标题:《研究发现:每天喝一杯红酒的人更长寿》。举杯之前,你最该先问哪个问题?
答完全部 12 题，看你的逻辑段位 👆
速查表:因果陷阱核心词
- 混杂变量
- 藏在幕后的第三个因素,同时推动两个变量,造出一条没有直接因果的相关(夏天之于雪糕销量和溺水人数)。
- 反向因果
- 箭头画反了:不是 A 导致 B,而是 B 导致 A(膝盖疼才去戴护膝,而不是护膝伤了膝盖)。
- 随机对照实验(RCT)
- 确立因果的金标准:随机分组让两组人在一切方面可比,结果差异只能归因于干预本身。
- Post hoc 谬误
- 「在此之后,故因此之故」——把时间上的先后当成因果(公鸡打鸣与日出)。
- 辛普森悖论
- 每个分组里都成立的趋势,合并后可能整体反转,因为各组的规模和构成不一样(医院治愈率)。
- 自然实验
- 生活替你做了随机化:政策变动、摇号、分界线造出天然可比的两组人,不用进实验室也能逼近因果。
- 多重比较
- 把足够多的变量两两配对,总有几对纯靠巧合也高度相关;这样「挖」出来的发现必须用新数据重验。
相关与因果:区别、陷阱与破解之道
| Correlation 相关 | Causation 因果 | |
|---|---|---|
| 定义 | 两个变量一起变动:一个偏高时,另一个也倾向于偏高(或偏低) | 一个变量的变化实实在在地引起另一个变量的变化 |
| 能否从数据直接看出 | 能——散点图或相关系数一算便知 | 不能——同一份数据可能来自混杂、反向因果或纯巧合 |
| 谁能预测谁 | 只要相关稳定,拿任何一边预测另一边都行,不问谁驱动谁 | 回答「动手干预会怎样」:改变原因,结果才会随之改变 |
| 如何确立 | 对着观察数据就能发现 | 金标准是随机对照实验(RCT);观察数据须控制混杂、排除反向因果才能逼近 |
| 经典翻车现场 | 雪糕销量与溺水人数同涨同跌(混杂:夏天) | 因为公鸡总在日出前打鸣,就断定是打鸣唤出了太阳 |
相关,是两件事一起变:雪糕销量和溺水人数都在七月冲顶,鞋码和识字量在小学里齐头并进。因果则是重得多的断言——改变其中一个,另一个会真的跟着变。相关与因果的区别,就是「看见规律」和「搞懂机制」的区别;新闻里绝大多数统计翻车,都翻在这两者被搅成一团。
看到一条相关,在相信「A 导致 B」之前,永远有三个竞争解释要先排除。第一,混杂变量:某个第三因素同时推动两者(夏天推动雪糕和游泳);第二,反向因果:其实是 B 导致 A(膝盖疼才戴护膝,而不是护膝伤膝盖);第三,纯粹巧合:样本一小、比较的变量一多,惊人的相关靠运气也会源源不断地冒出来。
那因果怎么才能立起来?金标准是随机对照实验:随机分组让两组人除了「有没有接受干预」之外全都可比,结果的差异就只能归因于干预本身。做不了实验时(总不能把人随机分去吸烟),研究者靠统计手段控制已知混杂、寻找自然实验、核对时间先后、观察剂量-反应关系、验证讲得通的机制——因果是一点点拼出来的案卷,不是一锤定音的买卖。
日常生活是因果越权的重灾区。养生文把「喝红酒的人更长寿」写成劝酒指南,却不提喝红酒本身就是收入和医疗条件的标签;保健品把「吃了之后好转」记在自己头上,哪怕不吃也会好;股评把连续五年跑赢大盘的基金经理封神,忘了几千个经理里必然有人纯靠运气连赢。
这也是标准化考试的心头好。把相关当因果、漏掉混杂变量、把箭头画反——这些因果谬误是 LSAT 逻辑推理里出镜率最高的论证缺陷之一,也是 GRE 写作 Argument 题的常驻嘉宾。如果你正在备考,这里练出的直觉可以直接迁移:做完这套,去试试站内的 LSAT 论证缺陷测验和 GRE 论证分析测验。
想真正练成,别只背「相关不等于因果」这句口号,而是把检查清单跑成条件反射:谁在说 A 导致 B?有没有第三个因素同时推动两者?箭头会不会是反的?样本有多大?有没有随机分组?十二道题做下来,这份清单就会从「作业」慢慢变成「本能」。
常见问题
相关有没有可能暗示因果?
单凭相关永远证明不了因果,但它并非一文不值——它常常是因果链的第一条线索。当相关配上时间先后、讲得通的机制、被排除的混杂,以及(最好有的)随机实验,它就升格为因果证据。「相关不等于因果」的意思是「别停在这里」,而不是「一切因果都不可知」。
一条相关背后的三大替代解释是什么?
一是混杂变量:第三个因素同时推动两者(夏天之于雪糕与溺水);二是反向因果:箭头其实指向另一边(先受伤才戴护膝);三是纯巧合:小样本加上大量的两两比较,靠运气也能挖出惊人却无意义的相关。
有哪些「相关但无因果」的真实例子?
教科书级的有:雪糕销量与溺水人数(都被夏天推动)、小学生鞋码与识字量(都被年龄推动)、火灾出警人数与财产损失(都被火灾规模推动),以及公鸡打鸣「唤出」日出(只是时间先后)。
科学家如何确立因果?
金标准是随机对照实验(RCT):随机分组让两组在一切方面可比,结果差异只能归因于干预。无法做实验时,研究者用统计方法控制混杂、寻找自然实验、核对时间先后与剂量-反应关系、验证机制,把因果一步步论证出来。
LSAT/GRE 考这个吗?
考得非常勤。「把相关当因果」是 LSAT 逻辑推理部分最高频的论证缺陷之一,GRE 写作 Argument 题里也几乎必有一个因果跳跃等你去拆。用本页这类例子练手,就是最直接的备考。