因果：原因、机制、推理与理由

因果是什么？

因果讨论的是一个基础问题：

一个事物的发生、变化或者消失，为什么会使另一个事物随之发生变化？

可以先给出一个工作定义：

如果一个因素的存在、缺失或者变化，通过一定条件和过程，使另一个结果的发生方式、发生概率或者具体形态发生变化，那么这个因素对结果具有因果作用。

可以简化为：

原因 → 作用过程 → 结果

原因不一定是一个瞬间发生的事件。它也可能是一种物理状态、一项长期条件、一次行为、一种心理状态、一套制度或一种社会结构。结果也不一定是确定发生的事件，它还可能表现为风险、程度或者发展方向的变化。

吸烟会增加肺癌风险，并不意味着每个吸烟者都会患肺癌。吸烟仍然具有因果作用，因为在其他相关条件相近时，它改变了肺癌发生的概率。

所以，因果不只表示“有 X 就必然有 Y”。它更一般地表示：

改变 X，会使 Y 的发生情况产生差异。

“原因”和“结果”不是事物的永久身份

语言会把过程切分成原因和结果，但现实变化通常是连续的：

睡眠不足
→ 神经与认知状态变化
→ 注意控制能力下降
→ 操作失误增加
→ 事故风险上升

在这条链条中，认知状态变化是睡眠不足的结果，又是注意力下降的原因。操作失误既是注意力下降的结果，又可能成为事故的原因。

因此，一个事物究竟是原因还是结果，取决于正在研究哪一段关系：

X → Y → Z

对于 Y 而言，X 是原因；对于 Z 而言，Y 又是原因。因果不是给事物贴上永久标签，而是在说明一个具体过程中的作用方向。

因果不等于时间先后

原因通常先于结果，但先发生不代表就是原因。

公鸡打鸣以后太阳升起，不能推出公鸡打鸣使太阳升起。时间顺序只能排除一部分不可能的关系：一个后来才出现的事件，通常不能成为此前事件的物理原因。但时间顺序本身不足以证明因果。

从“X 先发生”走向“X 是原因”，还需要进一步说明：

X 与 Y 不是偶然相邻；
不存在同时产生 X 和 Y 的第三个因素；
改变 X 确实会改变 Y；
X 与 Y 之间存在能够说明作用过程的机制。

因果不等于相关

两个变量经常一起变化，只能说明它们相关。概率上，如果：

P(Y | X) ≠ P(Y)

那么知道 X 是否发生，会改变我们对 Y 的概率判断；X 与 Y 并不独立。这仍然只描述分布关系，没有说明关系为什么出现。

相关背后至少可能存在五种结构。

结构	含义
`X → Y`	X 导致 Y
`X ← Y`	Y 导致 X
`X ← Z → Y`	Z 同时导致 X 和 Y
`Xₜ → Yₜ → Xₜ₊₁`	X 和 Y 形成反馈
选择过程制造相关	样本进入研究的方式改变了观察结果

例如，携带打火机的人患肺癌的概率可能更高，但打火机不是主要原因。吸烟同时影响携带打火机和肺癌风险，吸烟就是这里的共同原因或混杂因素。

选择过程还可能凭空制造关系。假设病情严重和缺乏家庭照护都会提高住院概率。如果研究只纳入已经住院的人，相当于先按照两者的共同结果筛选样本；在这个样本中，病情严重程度和家庭照护可能出现总体人群中没有的关联。这类问题通常称为碰撞变量或选择偏差。

样本过小、反复比较、指标定义改变和共同测量误差，也可能制造表面相关。

相关不是没有价值。它是需要解释的观察结果，却不是因果已经得到证明的结论。

因果也不等于预测

一个变量可以准确预测结果，却不是可以改变结果的原因。

气压计读数可以帮助预测天气，但调节气压计指针不会改变天气。公鸡打鸣可以预测日出，但阻止公鸡打鸣不会阻止太阳升起。

预测关心：

知道 X 以后，能否更准确地判断 Y？

因果关心：

如果主动改变 X，Y 是否会随之变化？

这一区别在数据分析和人工智能中尤其重要。模型可能依靠代理变量准确预测结果，但如果代理变量不是原因，依据它采取干预就未必有效。

例如，频繁联系客户支持可能准确预测用户流失，但真实结构可能是产品问题同时导致求助和流失：

产品问题 → 联系客服
产品问题 → 用户流失

关闭客服渠道可能降低“联系次数”，却不会消除产品问题，甚至会使流失更加严重。预测变量适合提前识别风险，不自动等于应该被改变的因果变量。

一个结果通常没有唯一原因

日常语言喜欢寻找“根本原因”，仿佛复杂结果背后总有一个最深、最真实的原因。但现实结果通常由多种条件共同形成。

一场火灾可能涉及可燃物、氧气、热量、人员行为、建筑材料、消防设施和管理制度。点火行为可能是触发因素，易燃材料是促成条件，消防系统失效扩大了结果，管理制度则可能是更远的结构性原因。

需要区分不同类型的原因：

类型	回答的问题
必要条件	没有它，结果是否无法发生？
充分条件	只要有它，结果是否就会发生？
促成因素	它是否提高结果的概率或强度？
触发原因	它是否启动了已经具备条件的过程？
背景条件	它是否让其他原因能够发挥作用？
维持原因	它是否让已经出现的结果持续存在？
抑制因素	它是否阻断或削弱某条因果路径？
结构性原因	它是否系统性地改变了许多行为的条件？

必要条件不等于充分条件。氧气是普通燃烧的必要条件之一，但只有氧气并不会自动发生火灾。现实中的许多原因既非严格必要，也不足以单独产生结果，而是与其他条件组成一套足以产生结果的组合。

“哪个是原因”也与问题目的有关。事故调查、医疗干预、历史解释和责任追究可能关注同一因果网络中的不同节点。

原因怎样组合？

多个原因并不只是简单相加。

多因一果

X₁ + X₂ + X₃ → Y

一个产品失败可能同时涉及需求判断错误、分发不足、成本过高和竞争环境变化。

一因多果

X → Y₁, Y₂, Y₃

一项制度调整可能同时影响价格、行为激励、组织关系和长期预期。

因果链与因果网络

X → M₁ → M₂ → Y

中间的 M 是传递作用的环节，也称中介。现实系统还会有多条路径交叉，形成因果网络。

替代原因与抢先发生

两个原因可能分别足以造成同一个结果。即使移除其中一个，另一个仍会产生结果。也可能有两个过程都在启动，但其中一个先完成作用，另一个没有真正进入最终路径。

这些情况说明，简单的“没有 X 就没有 Y”能够识别许多原因，却不能覆盖所有因果结构。

原因不一定决定结果

在医学、心理学、社会科学和日常生活中，原因经常以概率方式起作用：

P(Y | X) > P(Y | ¬X)

这表示观察到 X 时，Y 的概率高于没有 X 时。但观察差异可能来自混杂因素，所以条件概率仍不能直接等于因果概率。

更接近因果问题的是：

P(Y | do(X)) > P(Y | do(¬X))

do(X) 表示主动把 X 设置为某个状态，而不是只观察哪些对象自然具有 X。Judea Pearl 的因果模型用这一差别区分“看到 X”与“改变 X”。Probabilistic and Causal Inference: The Works of Judea Pearl

概率因果意味着：

原因可以只提高风险；
原因存在时，结果不一定发生；
原因不存在时，结果也可能由其他路径产生；
单个案例不能完整证明或否定总体因果关系。

一个服药的人没有康复，不能单凭这一例证明药物无效；一个没有服药的人自然康复，也不能证明药物没有作用。因果作用可能表现为总体康复概率的改变。

因果关系和寻找原因是两件事

因果关系讨论现实世界：

什么因素实际参与产生了什么结果？

因果推断讨论人的认识：

我们凭什么相信这个因素是原因？

所以：

因果关系 ≠ 因果推断

真实原因可能已经存在，但我们尚未发现。我们也可能提出一个看似合理的解释，最后却发现它不符合真实情况。

因果是研究对象，“找原因”则是认识因果的方法。它涉及逻辑、认识论、统计方法和实验设计。

我们怎样从结果寻找原因？

人通常先看到结果，再向过去寻找可能原因。看到地面湿了，可以提出下雨、洒水车、水管破裂或有人泼水等假设。这个过程需要多种推理共同完成。

溯因：提出解释性假设

观察到 Y → 提出可能的 X

溯因也被称为“对最佳解释的推论”。它依靠解释能力提出假设，但一个解释生动、简洁，并不代表它已经得到证明。Stanford Encyclopedia of Philosophy: Abduction

演绎：从假设推出预测

如果假设水管破裂，可以推出积水应接近管道、关闭阀门后水流应减弱等预测。

如果 X 成立，就应观察到 Z

没有观察到 Z，假设可能需要修改；观察到 Z，也不能立即证明 X，因为其他假设可能产生相同预测。

归纳：从多个案例形成一般判断

归纳从重复案例中形成规律，但结论超出了已经观察的样本。它需要继续面对样本代表性、环境变化、共同原因和选择偏差。

排除竞争解释

因果调查不能只收集支持原假设的证据。更重要的问题是：

什么证据能够区分这个解释与其他解释？

贝叶斯更新

获得证据 E 后，可以更新对原因假设 H 的相信程度：

P(H | E) = P(E | H)P(H) / P(E)

贝叶斯方法能够比较原因假设，却不能仅凭概率计算确定因果结构。因果方向、变量关系和模型假设仍需独立论证。

完整的因果调查可以写成：

观察结果
→ 提出原因假设
→ 推出可检验预测
→ 比较竞争解释
→ 收集证据或实施干预
→ 更新判断
→ 修正因果模型

反事实：如果没有这个原因呢？

反事实因果从一个问题开始：

如果当时没有发生 X，Y 还会发生吗？

如果没有 X 时，Y 不会发生或者发生概率明显下降，X 更可能对 Y 具有因果作用。

困难在于，同一个对象在同一时刻只能经历一种情况。一个患者不能同时既服药又不服药，一个企业不能同时既执行某项战略又不执行。

因此，只能通过随机分组、相似对象、自然实验、历史比较、统计模型或结构因果模型，估计那个没有实际发生的结果。

反事实理论抓住了原因制造差异的直觉，但会在替代原因、过度决定和抢先发生等案例中遇到困难。Stanford Encyclopedia of Philosophy: Counterfactual Theories of Causation

干预：改变它以后会怎样？

观察研究问：

自然具有 X 的对象，其结果怎样？

干预研究问：

如果主动改变 X，结果会怎样？

例如，接受治疗的人病情可能平均更严重，因为严重患者更容易接受治疗。要判断治疗效果，需要减少病情程度等原有差异造成的干扰。

随机对照实验通过随机分配，使两组在平均意义上更可比较。但实验也会受到样本、测量、执行、周期和外部适用范围的限制。观察研究也不必然无效，关键在于研究设计是否识别并处理了主要竞争解释。

机制：原因怎样产生作用？

发现改变 X 会改变 Y，还没有完整回答“为什么”。机制研究展开中间过程：

X → M₁ → M₂ → Y

例如：

长期睡眠不足
→ 执行功能下降
→ 注意控制变差
→ 错误率提高

机制能够说明作用发生在哪个环节，帮助判断关系能否迁移到其他环境，也能找到更精确的干预点。

但一个听起来合理的机制仍然只是假设。人很容易在结果发生后编造流畅故事，机制本身同样需要证据。

三种方法回答不同问题：

方法	核心问题
反事实	没有它会怎样？
干预	改变它会怎样？
机制	它通过什么过程产生作用？

因果方向与推理方向

现实中的因果方向可能是：

下雨 → 地面湿

人的推理方向却可能是：

观察地面湿 → 推测下过雨

从结果推测原因，不代表结果制造了原因。地面湿是认识下雨的证据，不是下雨的原因。

因果方向 ≠ 推理方向

医生从症状诊断疾病、工程师从故障寻找问题、历史学家从材料解释事件，都在从结果回溯原因。错误不在于从结果出发，而在于把“某个解释能够说明结果”直接当成“它已经被证明是真实原因”。

把结果当作原因

“把结果当原因”至少包含四种情况。

因果倒置

真实关系是 Y → X，却被判断成 X → Y。

病情严重导致更多治疗，却被理解为治疗导致病情严重；产品受欢迎产生更多评论，却被理解为评论数量完全造成了受欢迎。

反馈循环

结果可能进入下一阶段，成为新的原因：

Xₜ → Yₜ → Xₜ₊₁

压力导致失眠，失眠又增加下一阶段的压力。产品受欢迎带来评论，评论形成社会认同，又推动后续销量。加入时间以后，“到底是谁导致谁”的静态争论会变成可以分析的循环关系。

从成功结果倒推原因

“成功者普遍早起”不能直接推出“早起导致成功”。研究可能只选择了成功者，遗漏早起却未成功的人；成功也可能反过来改变生活安排；还可能存在自律、职业和健康等共同原因。

事后合理化

结果发生后，人会按照结果重写此前的故事。成功以后，冒险被称为远见；失败以后，同样的冒险被称为鲁莽。

这涉及后见之明偏差、结果偏差和叙事偏差。一个好决定可能遇到坏结果，一个坏决定也可能因运气获得好结果。

决策质量 ≠ 最终结果

评价决策需要回到当时的信息、目标、概率和约束。

原因与证据

原因回答：

什么产生了结果？

证据回答：

我们凭什么相信某个判断？

“因为下雨，所以地面湿了”中的下雨是原因。“因为地面湿了，所以我认为刚才下过雨”中的地面湿是证据。

证据越符合某项假设，不代表该假设就是唯一原因。评价证据还要问：其他原因能否产生同样证据？如果假设不成立，这项证据是否也很常见？

原因与理由

中文里的“因为”还会混合原因和理由。

动机理由

因为我认为继续工作会损害健康，所以我辞职了。

这是行动者据以行动的考虑。它通过信念、欲望、情绪和意图进入心理过程，并可能成为行动的原因。

规范理由

长期损害健康，是一个支持辞职的理由。

它回答的不是这个人实际上因为什么行动，而是什么事实使这项行动值得做或者更合理。

解释理由

他长期失眠、压力过大，所以在会议中失控。

这些因素使行为变得可以理解，却不证明行为正确：

能够解释 ≠ 能够辩护

陈述出来的理由

一个人公开说出的理由，可能是真实动机、多种动机中的一部分、更容易被接受的表达、自我辩护或事后合理化。

说出的理由 ≠ 实际动机 ≠ 正当理由

当代行动哲学通常至少区分规范理由、动机理由和解释理由：它们分别回答什么支持行动、行动者据何行动，以及什么能够解释行动。Stanford Encyclopedia of Philosophy: Reasons for Action

Donald Davidson 进一步主张，以理由解释行动也可以是一种因果解释：当一个人的信念和欲望确实推动了行动时，他据以行动的理由也构成行动的原因。Stanford Encyclopedia of Philosophy: Donald Davidson

目的与未来结果

“我为了减肥而跑步”表面上像是未来变瘦导致现在跑步。但尚未发生的未来结果，不能直接返回过去产生现在的物理作用。

实际过程是：

希望变瘦
+ 相信跑步有帮助
+ 形成行动意图
→ 现在开始跑步

需要区分：

目的：希望实现什么；
预期：相信行动会产生什么；
意图：已经形成怎样的行动承诺；
计划：准备怎样实现目的；
行动原因：哪些当前状态实际推动行为；
实际结果：后来真正发生了什么。

未来结果本身不是现在行动的原因。行动者现在对未来结果的想象、评价和期待，才可能成为行动原因。

自我实现的预言也是如此：不是未来结果返回过去，而是现在的预期改变了当前行为，当前行为又提高了预期结果发生的可能性。

概率与贝叶斯在因果中的位置

概率处理不确定性，因果处理作用关系。

贝叶斯公式帮助回答：看到当前证据以后，哪个原因假设更值得相信？它更新的是认识主体对原因的信念，而不是直接证明现实中的因果作用。

贝叶斯更新 = 修正对原因的相信程度
因果验证   = 检验现实中的作用关系

概率能够表达判断有多可信、风险改变了多少；因果模型则要进一步说明变量之间怎样作用，以及改变一个因素是否会改变结果。

哲学怎样理解因果？

哲学中的因果理论并不是重复同一个答案，而是在处理因果的不同侧面。

亚里士多德：原因也是解释方式

亚里士多德区分质料因、形式因、动力因和目的因。这里的“原因”比现代自然科学中的动力因更宽，更接近回答“为什么”的不同解释方式：由什么构成、以什么结构存在、由什么推动变化、为了什么。

现代自然科学主要研究可检验的作用过程，但在生物、行动和制度研究中，结构、功能和目的仍然具有解释意义。

休谟：我们是否观察到了必然联系？

休谟指出，我们直接观察到的是一个事件发生，随后另一个事件发生，以及类似顺序反复出现。我们并没有像观察颜色那样直接观察到“必然联系”。

这使因果问题转变为：因果是世界中的必然联系，还是人从重复经验中形成的期待？这一质疑推动了规律、概率和反事实等不同理论。

康德：因果使客观经验成为可能

康德认为，因果不只是从经验中归纳出来的习惯。人要把连续感觉组织成客观事件，就必须区分“我的观察顺序改变了”与“对象本身发生了变化”。因果范畴参与了这种经验组织。

现代因果理论

理论方向	抓住的核心
规律理论	原因与结果之间的稳定规律
概率理论	原因改变结果发生的概率
反事实理论	没有原因时，结果会有所不同
机制理论	原因通过某种过程产生结果
干预主义	改变原因会系统改变结果
因果模型	用变量、结构方程和因果图表达关系

这些理论不必被理解成只能选择一个。它们分别揭示因果的稳定性、差异制造、作用过程和可干预性。

心学与禅宗可以帮助理解什么？

心学和禅宗不能代替经验科学中的因果验证，但可以帮助澄清人的认识和行动。

心学关注意、知与行，可以用来思考信念、价值判断、意图和行动怎样连接，也提醒我们：一个人公开说出的理由，不一定等于实际推动行为的心理原因。但要证明某种心理状态普遍导致某种行为，仍需经验研究。

禅宗及佛教的缘起思想强调现象依赖条件而生。这可以提醒我们不要把复杂过程压缩成一个脱离环境的唯一原因，也不要把语言划分出来的对象误认为完全孤立、自足的实体。

但缘起、修行和宗教业果包含自己的哲学与宗教承诺，不能直接当作已经得到现代实验科学确认的因果模型。科学因果分析仍要求明确变量、证据、机制、干预和可检验范围。

怎样实际分析一个因果问题？

面对“为什么会这样”，可以依次进行以下检查：

明确结果：需要解释的结果究竟是什么？
标记时间：原因、过程和结果分别何时发生？
列出候选原因：包括直接、背景、结构性和共同原因。
画出因果结构：哪些变量是中介、混杂、反馈或结果？
提出反事实：没有这个因素，结果可能怎样？
寻找区分性证据：什么证据能排除竞争解释？
寻找干预或对照：改变这个因素后，结果是否变化？
检查机制：作用通过什么过程传递？
区分原因与理由：现在说的是物理作用、行动动机、证据还是正当性？
保留不确定性：结论成立于哪些假设和适用范围？

最后的结论未必是“X 就是 Y 的原因”，也可能是：

在当前证据和假设下，X 可能通过 M 提高 Y 发生的概率；Z 仍是尚未完全排除的混杂因素。

这种表达没有削弱结论，而是准确说明结论的可靠范围。

一个产品实验怎样分开逻辑、概率与因果？

假设产品团队想知道：推送提醒是否提高任务完成率。

第一步是检查逻辑和数据定义。只有存在完成时间戳，任务才被计为完成；进入实验的用户必须在提醒发出前拥有尚未完成且符合条件的任务。否则，分母、事件和时间窗口并不一致。

第二步可以观察概率关系：

收到提醒的用户完成率：60%
未收到提醒的用户完成率：40%

这说明两组概率不同，但还不能证明提醒造成了差异。活跃用户可能更愿意开启通知，也可能本来就更容易完成任务。

第三步才是因果识别。在符合条件的用户中随机分配“一次提醒”和“不提醒”，保持结果定义与观察窗口一致，再比较两组完成率。随机分配的目的，是让已知和未知的背景差异不再系统地集中于某一组。

同时需要检查机制：

提醒
→ 用户注意到任务
→ 打开应用
→ 查看任务
→ 完成任务

如果完成率提高，却没有相应的打开、查看或完成路径证据，就要寻找其他解释。即使实验显示平均效果，也仍需说明作用范围和副作用：效果持续多久，是否只是提前完成时间，提醒频率是否造成厌烦，关闭通知的人是否增加，以及不同用户群体是否存在差异。

因此，一个有边界的结论应当写成：

在本次符合条件的用户、提醒方式和观察窗口内，随机分配一次提醒使任务完成率提高了某个幅度；结果是否能迁移到其他频率、用户和时间范围仍需验证。

结论

因果所讨论的核心问题是：

一个因素的存在、缺失或变化，如何通过一定条件和过程，使另一个结果发生变化？

因果不等于时间先后、统计相关、准确预测、一个合理故事、行动者说出的理由，或者结果发生后的解释。

完整的因果理解包含：

时间顺序
+ 概率差异
+ 反事实比较
+ 主动干预
+ 作用机制
+ 竞争解释

寻找原因则需要：

溯因提出假设
+ 演绎推出预测
+ 归纳发现规律
+ 实验检验差异
+ 贝叶斯更新信念
+ 机制研究解释过程

因果关系属于世界中事物之间的作用结构；因果推断属于人认识这种结构的方法。

真正成熟的因果分析，不是为所有结果寻找一个简单的“根本原因”，而是建立一个能够被检验、干预和修正的因果模型。它需要说明：哪些因素参与产生了结果，通过什么过程产生作用，在什么条件下成立，改变什么可能改变未来，以及我们目前为什么有理由相信这一判断。

如果这篇对你有用，可以订阅 RSS。

内容以署名方式开放引用，请回链原文。