《为什么》

一句话结论

要回答改变一件事会怎样，必须把数据与因果假设结合起来，并说明结论依赖哪些条件。

值不值得读完整本？

值得读完整本。它能把“相关不等于因果”这句提醒，变成一套分析证据、行动和责任的思考方法，很适合作为“逻辑与思维”的进阶读物。

• 第1章先建立因果阶梯：分清观察、干预和反事实，后面的内容才容易串起来。
• 第4、6、7章值得慢读，重点看混杂、选择偏差、辛普森悖论，以及什么时候能从观察数据推断干预效果。
• 第8、9章不要跳过：反事实和中介机制是全书的重要推进，不能只读到“相关不等于因果”就停下。
• 第2章的人物史可以快读；第10章的推广问题值得细看，对强人工智能和自由意志的讨论可作为作者的研究展望来读。

核心观点

1. 观察、干预、反事实需要不同的信息

看到两件事一起发生、主动改变其中一件事、追问过去如果换个选择会怎样，是三类不同的问题。作者用因果阶梯区分它们需要的信息。

为什么：同一种相关关系可能来自直接影响、反向影响或共同原因，因此观察分布通常不能唯一确定干预结果。主动设定一个变量，会改变它原先受其他因素支配的方式。反事实还要利用已经发生的事实，讨论同一个人在另一种选择下的结果。样本增多可以减少统计误差，却不能自动补上这些缺失的因果假设。

2. 控制变量要看因果位置，不能只求控制得多

因果图把研究者对原因和结果的假设画出来，帮助判断哪些变量需要调整。共同原因、中介和碰撞点的处理方式不同。

为什么：共同原因会同时影响处理和结果，形成混杂；适当调整可以阻断这条非因果联系。中介传递处理的影响，估计总效应时控制它，可能把真正要测量的影响挡掉。碰撞点是两个因素共同造成的结果，按它筛选或分组，反而可能让原本无关的因素出现关联。因此，总体与分组数据发生辛普森反转时，不能仅凭哪张表更细就决定相信哪种解释。

3. 观察数据有时能回答干预问题，关键在于可识别性

因果推断首先要问：给定假设和现有数据，目标效应能不能被确定？后门调整、前门调整和 do 演算，是回答这个问题的工具。

为什么：干预意味着替换某个变量原先的生成机制，因果图上表现为切断指向它的箭头。随机分配能使分配机制与处理前的混杂因素独立，从而帮助估计因果效应。观察研究若能阻断所有相关后门路径，也可能恢复干预效果。即使有未测量的共同原因，前门方法在中介截住全部有向作用路径、处理到中介无混杂、且调整处理能消除中介到结果的混杂等条件下，仍可能识别效应。do 演算把这些推理推广为系统规则，但识别不出来的问题仍需要额外假设或新数据。

4. 反事实要保留这个人的背景，再改变他的选择

反事实推理不是简单比较两组人，而是利用实际发生的信息，推断同一个人在另一种行动下会怎样。结构因果模型让这个过程有明确的计算含义。

为什么：先用已经观察到的事实，更新对这个人背景条件的判断。再把目标行动改成另一个值，同时保留模型中其余机制和同一背景条件。最后重新计算结果，就能比较实际经历与假设经历。不同模型可能符合相同的群体实验结果，却给出不同的个体反事实，所以群体平均疗效不能直接回答某个人是否因治疗而康复。信息不足时，合理答案可能只是概率范围。

5. 知道有没有效果，还要追问效果通过什么机制产生

中介分析区分总效应、直接效应和经由中介传递的间接效应。它回答的是一个已知原因究竟怎样影响结果。

为什么：同一个原因可能通过多条路径影响结果，只知道总效应，无法判断改变哪条路径最有效。若要讨论不经过某个中介的影响，必须明确设想怎样固定或改变这个中介。自然直接效应进一步让中介保持在同一个人未接受处理时本会达到的水平，再比较处理与不处理。这样的比较涉及反事实，并需要额外的识别假设，不能简单把中介放进回归就当作完成了机制分析。

6. 跨环境推广，要找出哪些因果机制保持稳定

一项研究在某个人群中有效，并不保证换个人群仍然有效。作者认为，因果模型可以帮助决定不同研究的数据应当怎样组合，这也是他期待因果推理推动人工智能的原因。

为什么：不同环境可能在人群构成、行为方式或结果生成机制上存在差异，直接搬用平均效果会把这些差异带过去。把差异的位置标在因果图上，才能判断哪些关系可以共享，哪些需要重新测量。例如，在相应机制稳定且数据覆盖充分时，可以用分年龄的效果，按目标人群的年龄构成重新加权。若关键机制发生变化，这种调整也可能失败。作者据此主张，让机器处理环境变化与行动后果，需要超出对既有相关模式的拟合。

反对意见

图上能识别，不等于现实中的假设可信（吉多·因本斯）

因本斯在比较潜在结果与因果图方法的论文中指出，经济学研究的难处往往是找到可信的处理变化，并处理估计和不确定性。他具体质疑吸烟前门例子的适用性：吸烟可能经由焦油以外的路径致癌，也可能存在共同影响焦油与肺癌的未测量因素。因此，前门公式的正确性并不能单独证明这个研究设计可信。他同时认为，图方法的普遍优越性需要更多有说服力的实证应用支持。参见[论文全文](https://arxiv.org/pdf/1907.07271)。

决定怎样行动，不一定需要个体反事实（菲利普·戴维德）

戴维德在《Causal Inference Without Counterfactuals》中主张，评估行动后果可以采用基于决策分析的框架，不必把不可同时观察的个体结果作为基础。他担心，结论会依赖难以获得经验检验的反事实假设。对“已发生的结果由谁造成”这类问题，他也强调，即使没有抽样误差，仍可能存在无法消除的歧义。这篇论文早于本书，是对其反事实路线的基础性质疑。参见[论文及讨论](https://www.ics.uci.edu/~sternh/courses/265/dawid_jasa2000.pdf)。

干预与反事实是否真是两种认知层级（蒂姆·莫德林）

莫德林在书评《The Why of the World》中赞同因果模型的重要性，却反对把干预与反事实分成截然不同的认知阶梯。他认为，预见放手会摔碎灯，就已经包含“如果放手，灯会碎”的假设推理。这是在质疑阶梯的哲学和认知解释，并不直接推翻不同因果查询所需信息不同的数学结论。参见[书评原文](https://www.bostonreview.net/articles/tim-maudlin-you-are-smarter-your-data/)。

相关推荐

• 《Causal Inference in Statistics: A Primer》：沿着本书路线学习图、调整和反事实，并通过练习检查自己是否真正会用。
• 《Causality: Models, Reasoning, and Inference》：进一步理解结构模型、do 演算和反事实的技术基础；2000年为首版，2009年有第二版。
• 《Causal Inference: What If》：继续学习因果推断的实际条件和估计方法，把潜在结果、因果图及复杂纵向研究联系起来。
• Potential Outcome and Directed Acyclic Graph Approaches to Causality: Relevance for Empirical Practice in Economics：从实证经济学出发，检验图方法的优势是否落实为可信的研究设计与应用。
• Causal Inference Without Counterfactuals：了解为何有人认为行动决策可以不以个体反事实为基础，以及归责问题为何可能无法完全确定。
• The Why of the World：从哲学角度追问，形式上的查询层级是否对应作者所说的认知层级。