这是一篇关于因果确证的文章。发表于Entropy， 中英文见：

因果确证测度：从辛普森悖论到COVID-19

摘要：用统计数据比较两种原因对结果的影响时，如果我们得到的合并结论和分组结论相反，这被称之为辛普森悖论(英文是Simpson Paradox, 缩写为SP)。现在流行的因果推断理论（英文是Popular Causal Inference Theory, 缩写为PCIT）通过去混杂影响，使合并结论和分组结论一致，从而消除SP。PCIT使用相对风险差P_d=max(0,(R-1)/R)作为反映因果关系的概率(R=正例比例/反例比例)，而哲学家Fitelson用确证测度D（D=后验概率-先验概率）评价因果关系强度。Fitelson得出结论：从贝叶斯确证理论看，我们无需考虑混杂影响，直接接受合并结论就行了。为了消除PCIT和贝叶斯确证之间的矛盾，作者使用语义信息方法推导出因果确证测度Cc=R-1）/max(R,1)。这一测度很像P_d, 但是具有归一化性质（在-1和1之间变化）和原因对称性（相反原因会使得确证度为负）。Cc特别适合原因抑制结果（比如疫苗抑制感染）的情况（确证度是负的）。文中提供的一些例子（关于肾结石治疗和COVID-19）表明P_d和Cc比D更加合理，Cc比P_d更加有用。P_d和Cc的合理性反过来支持了贝叶斯确证的归纳派。

关键词：因果确证；贝叶斯确证；因果推理，语义信息测度，交叉熵，辛普森悖论，风险测度