KNOWECON WIKI

ARTICLE

相关性不等于因果性

相关性不等于因果性 (Correlation Does Not Imply Causation) 相关性不等于因果性是统计学与科学哲学中最基础也最常被违背的方法论原则之一。该原则指出：两个变量之间存在统计关联（相关性）本身不足以证明其中一个变量的变化导致了另一个变量的变化（因果性）。混淆相关与因果是数据分析和实证研究中最常见的逻辑谬误之一，其后果从无害的误解

浏览 3 更新 2026-07-18

相关性不等于因果性 (Correlation Does Not Imply Causation)

相关性不等于因果性是统计学与科学哲学中最基础也最常被违背的方法论原则之一。该原则指出：两个变量之间存在统计关联（相关性）本身不足以证明其中一个变量的变化导致了另一个变量的变化（因果性）。混淆相关与因果是数据分析和实证研究中最常见的逻辑谬误之一，其后果从无害的误解到导致重大决策失误不等。

概念辨析

相关性（Correlation）描述两个变量 XX 和 YY 同时变化的统计趋势，通常由皮尔逊相关系数 ρXY∈[−1,1]\rho_{XY} \in [-1, 1] 度量。若 ρXY>0\rho_{XY} > 0，则 XX 与 YY 同向变动；若 ρXY<0\rho_{XY} < 0，则反向变动。相关性是对称的、无方向的关联。

因果性（Causation）则断言 XX 是 YY 产生的原因：改变 XX 会导致 YY 发生可预测的变化。因果关系是非对称的——XX 导致 YY 不意味着 YY 导致 XX——且涉及反事实逻辑：若 XX 未曾发生，YY 的值会不同。

二者的核心区别在于：相关性是数据层面的统计特征，因果性则涉及产生机制与干预效应。正如卡尔·皮尔逊 (Karl Pearson) 虽发展了大量相关分析方法，却也明确指出：统计关系不能等同于因果关系。

相关≠因果的三种经典机制

当 XX 与 YY 呈现相关时，除 XX 导致 YY 外，以下三种机制均可产生这种统计模式。

反向因果 (Reverse Causality)：实际上可能是 YY 导致了 XX。经典实例：观察到拥有跑步机的人更健康——究竟是跑步机使人健康，还是健康的人更倾向于购买跑步机？又如，研究发现医生数量越多的地区死亡率越高，并非医生致死，而是病重地区吸引了更多医生。

遗漏变量 / 混杂因素 (Omitted Variable / Confounding)：存在未观测的第三方变量 ZZ，同时影响 XX 和 YY。典型实例：某城市数据表明消防车出动数量与火灾损失正相关——并非消防车增大了损失，而是火灾严重程度（ZZ）同时导致了更多消防车出动和更大损失。在计量经济学中，遗漏变量偏误是导致内生性问题的主要来源之一。

纯粹巧合与伪相关 (Spurious Correlation)：两个完全无关的变量因偶然或时间趋势而呈现统计相关。例如，某年间美国在科学领域的支出与绞死自杀人数高度相关（r=0.99r = 0.99）。泰勒·维根 (Tyler Vigen) 的网站"Spurious Correlations"收集了大量此类荒诞但统计显著的例子——如某年手机销量与车祸死亡人数同步上升，实则源于人口增长这一共同趋势。

因果推断的方法论框架

正因为观测数据中的相关不能直接等同于因果，现代计量经济学和流行病学发展了一套严格的因果推断工具。随机对照试验（RCT）被视为因果推断的"黄金标准"：通过随机分配处理组与对照组，消除混杂因素的系统性差异，使处理变量近似独立于潜在结果。然而在社会科学中，RCT 常因伦理、成本或可行性的限制而无法实施，研究者转而依赖准实验方法。

核心准实验方法包括：

  • 工具变量 (Instrumental Variables, IV)：找到一个只通过影响 XX 而间接影响 YY 的变量 ZZ，用以识别因果效应。经典研究是安格里斯特 (Angrist) 与克鲁格 (Krueger) 利用出生季度作为教育年限的工具变量来估计教育对收入的因果效应——出生季度影响入学年龄，从而影响受教育年限，但与个人能力无直接关联。
  • 双重差分法 (Difference-in-Differences, DiD)：比较处理组与对照组在政策实施前后的差异变化，消除时间不变的未观测因素。广泛应用于评估最低工资调整、税收改革等政策冲击的因果效应。
  • 断点回归设计 (Regression Discontinuity Design, RDD)：利用某个连续变量在临界值附近的外生断点来识别因果效应。如考试成绩刚好达标的考生获得录取资格——比较临界值两侧的个体即可估计录取对后续收入的因果影响。
  • 倾向得分匹配 (Propensity Score Matching, PSM)：基于可观测特征匹配处理组和对照组个体以降低选择偏误，虽不能解决不可观测混杂，但可减少观测维度上的系统差异。

格兰杰因果检验与预测因果

在时间序列分析中，格兰杰 (Granger) 提出"格兰杰因果"概念：如果加入 XX 的过去值能显著提高对 YY 的预测精度（在控制 YY 自身滞后的前提下），则称 XX 是 YY 的"格兰杰原因"。需注意，格兰杰因果本质上是预测关系而非结构因果——它检验的是时间上的先行性与信息增量，可能反映真实因果关系，也可能来自预期效应或共同趋势。克莱夫·格兰杰本人亦强调该方法检验的是"先后顺序上的有用性"而非哲学意义上的因果。

实践启示

"相关性不等于因果性"不仅是一条统计格言，更是科学推理的基本素养。在经济学、公共卫生、市场营销和政策评估中，混淆相关与因果可能导致资源错配和错误决策。严谨的研究设计应始终追问：观察到的关联是否可能是反向因果、遗漏变量或偶然波动所致？一个有益的思维习惯是：在声称"XX 导致 YY"之前，先问"YY 导致 XX 是否同样合理？"以及"是否存在第三变量 ZZ 可以同时解释 XX 和 YY 的变化？"

这条原则的持久意义在于提醒研究者：数据可以展现模式，但模式本身不揭示机制。从相关到因果的飞跃需要理论、研究设计和方法论的三角验证，而非仅凭一个统计显著的相关系数。