我个人的观点是，若模型的目的是用于解释（即因果关系解读）而非预测，那么变量的筛选过程应当建立在专业知识之上，而非仅仅依赖于程序化的自动筛选方法。如果实在没法专业知识来选择，只能通过程序化做变量筛选，事后也得用专业的知识来解读模型的因果关系，而不能简单说通过程序化的“变量筛选”来作为因果关系的依据。这一看似浅显易懂的原则，实际上却令许多生态学的学子乃至资深科研人员感到困惑和迷茫。2022年7月加拿大达尔豪斯大学两名学者Arif 和MacNeil在“Ecology Letter”上发表的一篇观点文章“Predictive models aren't for causal inference”，以深入浅出的语言和并不复杂的模拟数据，对这一问题进行了深刻的剖析。文章不仅指出了当前变量筛选方法的局限性和误导性，还提出了一种基于专业知识的“后门准则”（Backdoor Criterion）来指导变量的筛选过程，从而更为准确地确定结构方程模型（SEM）的路径。这一创新性的方法，有望为生态学研究的模型构建带来更高的准确性和可靠性。此文篇幅不长，语言也很简单，但其所蕴含的深刻见解和实用方法，无疑值得每一位生态学者仔细研读。https://onlinelibrary.wiley.com/doi/full/10.1111/ele.14033