摘要：因果关系是科学认知的核心命题。本文系统梳理了科学探访因果关系的哲学基础与方法论演进，从休谟对因果概念的怀疑论批判出发，历经康德的先验综合回应、穆勒的归纳五法、赖欣巴哈的概率因果、珀尔的贝叶斯网络与结构因果模型，直至伍德沃德的干预主义理论。本文论证的核心命题是：科学探访因果的路径经历了一次根本性的范式转换——从基于观察的“相关性归纳”转向基于操作的“干预性检验”。这一转换不仅回应了休谟的怀疑论挑战，更将因果关系从形而上学的思辨领域解放为可操作的实证范畴。与中医学“相关即因果”的认知范式相比，现代科学的因果探访路径通过引入“干预”这一操作性的检验标准，构成了对“相关不等于因果”这一方法论困境的系统性解决方案。本文最后探讨了这一路径在当代科学实践中的工具化实现及其认识论意蕴。

关键词：因果关系；休谟问题；穆勒五法；概率因果；结构因果模型；干预主义

1  引言：因果问题的核心地位

人类理解世界的根本方式之一，就是追问“为什么”。从原始人追问“为什么会打雷”，到现代科学家追问“为什么这种药物能够抑制肿瘤生长”，因果追问贯穿了人类认知的全部历史。可以说，整个自然科学就是一部关于“发现因果”的方法论史——物理学探问物体运动的因果机制，化学探问物质转化的因果路径，生物学探问生命现象的因果链条，医学探问疾病发生与治疗的因果关系。

然而，“因果关系”本身是什么？我们如何从纷繁复杂的现象中识别出真正的因果，而非仅仅是巧合或相关？这些问题看似简单，实则构成了科学哲学最核心、最持久的难题之一。

在科学史上，探访因果关系的路径经历了深刻的演变。古希腊自然哲学将因果归因于“目的因”和“形式因”——事物之所以如此，是因为它“应该”如此。近代科学革命以来，因果探访逐渐从思辨走向经验，从定性走向定量，从观察相关走向干预检验。这一演变的背后，是科学方法论的不断自我批判和自我完善。

与西方科学的因果探访路径形成鲜明对照的是，中医学采取了一种完全不同的认知策略——本文在其他篇章中称之为“相关即因果”——将观察到的现象之间的相关性直接确立为治疗层面的因果关系，跳过中介机制的追问，省略干预检验的环节。正是这种差异，构成了中西医认知范式的根本分歧。

本文将从哲学史和方法论演进的双重视角，系统梳理科学探访因果关系的核心路径，并在此基础上，反观中医学“相关即因果”范式的认识论特征。如果说“相关即因果”代表了一种基于直观和实用主义的因果锁定方式，那么现代科学的因果探访路径则代表了一条基于批判、检验和干预的认知路线。

2  休谟的挑战：因果概念的认识论奠基

2.1  因果观念的起源：习惯而非理性

任何关于科学因果方法的讨论，都必须从大卫·休谟开始。休谟在《人性论》和《人类理解研究》中，对因果概念进行了具有颠覆性的认识论分析。

休谟指出，当我们说“A导致了B”时，我们究竟观察到了什么？我们观察到的是：A和B在时间上前后相继（A在前，B在后），A和B在空间上接近，并且我们多次观察到这种前后相继的重复出现。除此之外，我们并没有观察到任何被称为“因果关系”的东西——我们没有观察到A和B之间的“必然联系”，没有观察到一种从A“产生”B的神秘力量。

休谟的结论是：因果关系不是理性推导出来的，而是习惯形成的。当我们无数次看到A后面跟着B，心智就形成了一种“习惯性的期待”——下一次A出现时，我们预期B也会出现。这种期待被我们误以为是对“必然联系”的理性认知，实际上只是心理联想的产物。

休谟的论证具有巨大的颠覆性。如果因果关系只是心理习惯，那么“科学发现因果”这一事业的基础是什么？所有基于因果推理的科学知识——从牛顿力学到现代医学——是否都建立在一个心理幻觉之上？

2.2  休谟的“解决方案”：恒常联结与实验方法

休谟并没有因此放弃因果关系。相反，他试图为因果概念找到一个经验主义的、可操作的定义。

休谟提出，因果关系可以被定义为：一个对象被另一个对象所跟随，并且所有与前者相似的对象都被与后者相似的对象所跟随。也就是说，因果关系不过是“恒常联结”（constant conjunction）——A类事件总是被B类事件所跟随。

在这一基础上，休谟为科学探索因果提供了方法论指引：科学家要做的事情，不是去“发现”那个看不见的“必然联系”，而是去观察和记录事件之间的恒常联结模式。通过系统性的观察和实验，科学家可以确定哪些事件被哪些事件恒常地跟随，从而在经验层面建立可靠的因果判断。

休谟还区分了两种推理方式：关于事实的推理和关于观念的推理。关于事实的推理（包括因果推理）永远不能达到数学和逻辑那样的确定性，它只能是“概然的”或“或然的”。这种或然性程度取决于我们对恒常联结的观察次数和一致性。因此，科学因果知识的本质是“高概率的预期”，而非“绝对的确定性”。

2.3  休谟问题的深远影响

休谟对因果关系的分析产生了深远影响。它迫使后来的哲学家和科学家必须回答一个问题：如果我们无法感知“必然联系”，那么我们如何合法地使用因果概念？

康德将此称为“休谟的挑战”，并试图通过将因果关系确立为“先验综合判断”来回应。康德认为，因果律不是从经验中归纳出来的，而是心智整理经验的先验范畴——我们只能按照因果关系来理解世界，不是因为世界本身“有”因果关系，而是因为我们的认知结构“要求”因果关系。

这一回答在哲学上具有重要的调停作用，但它并没有为科学方法论提供具体的操作指南。真正推动科学因果探访方法论发展的，是其后以穆勒为代表的经验主义传统。

3  归纳法的精进：穆勒五法

3.1 从休谟到穆勒：因果探访的实践转向

如果说休谟的贡献在于提出了“因果认识论”的根本问题，那么约翰·斯图尔特·穆勒的贡献在于系统化了“因果发现”的具体方法。

穆勒在《逻辑体系》中提出的“五法”，是19世纪科学方法论最系统的因果探访工具。他的出发点非常务实：我们无法直接观察因果关系，但我们可以通过设计精密的观察和实验来推断因果关系。穆勒五法并不是要取代休谟的“恒常联结”定义，而是要在实践层面回答：在何种条件下的恒常联结可以被认定为因果？

3.2 穆勒五法的逻辑结构

契合法（Method of Agreement）的逻辑是：如果被研究对象出现的所有场合中，只有一个共同的前置条件，那么这个共同条件就是该现象的原因或结果。例如，如果多名食物中毒的患者吃过不同的食物，但都吃过同一道菜，那么这道菜就是中毒的原因。契合法的效力在于排除差异——找出“唯一共同点”。

差异法（Method of Difference）的逻辑是：如果某一现象出现的场合和它不出现的场合，在其他条件完全相同、只有一个条件不同，那么这个不同的条件就是该现象的原因、结果或必要组成部分。差异法的效力在于“控制变量”——通过对比“有A”和“无A”两种情况来锁定A与B的因果。这是现代实验设计的核心逻辑。

契合差异并用法（Joint Method of Agreement and Difference）是前两种方法的结合：通过一组“出现现象”的案例找到共同点，再通过一组“不出现现象”的案例确认该共同点的缺失，从而强化因果推断。这种方法适用于无法进行直接实验控制的场合。

共变法（Method of Concomitant Variations）的逻辑是：如果某一现象以某种方式变化时，另一现象也随之以相应方式变化，那么这两个现象之间存在因果联系。共变法适用于无法“排除”或“引入”变量的场合——你无法移除一个现象来观察另一个现象的变化，但可以观察两者是否按照某种规律同步变化。这是物理学和经济学中最常用的因果推断方法之一。

剩余法（Method of Residues）的逻辑是：从一个复杂现象中减去已知因果关系的部分，剩余部分即为未知原因的效应。例如，在天王星被发现后，天文学家发现其轨道偏离牛顿力学预测，于是推断存在一个未知行星的引力影响——这就是海王星的发现过程。

3.3 穆勒五法的成就与限度

穆勒五法的伟大成就，在于它将休谟模糊的“恒常联结”操作化为具体的观察和比较程序。它为19世纪的科学（特别是生物学和医学）提供了发现因果的重要工具箱。

然而，穆勒五法有着根本的局限性：

第一，它们无法处理复杂的因果网络。穆勒五法预设了一个简单化的世界：每个效应只有一个原因，或者至少原因的数目可以穷举。但在现代科学中，我们面对的是多因素交织的因果网络，一个效应可能有数十个协同作用的原因。

第二，它们对“背景条件”的设定过度理想化。差异法要求“其他条件完全相同”，这在社会科学中几乎不可能实现，甚至在生物学实验中也面临巨大挑战。

第三，它们无法区分因果关系与“虚假相关”。契合法可能把两个共同出现、但都与真正原因无关的因素确定为因果关系。例如，冰淇淋销量与溺水人数同步增长（共变法可能指示因果），但真正的共同原因是气温升高，冰淇淋和溺水都是气温升高的“结果”，而非彼此的“原因”。

穆勒意识到了这些问题，但他缺乏处理这些问题的数学工具。这一缺口直到20世纪才被统计学革命所填补。

4  概率与统计的革命：从相关到因果的统计学桥梁

4.1  皮尔逊的相关性概念

19世纪末到20世纪初，统计学的发展为因果探访提供了全新的工具。卡尔·皮尔逊提出了“相关系数”的概念，为衡量两个变量之间的线性相关关系提供了精确的量化指标。

皮尔逊的工作具有里程碑意义，但也带来了一个危险的简单化倾向：将“相关”等同于“因果”。事实上，皮尔逊本人并不主张这种等同，他明确区分了“相关”和“因果”，但他的许多追随者却将相关系数当作发现因果的工具。这一倾向至今仍在某些学科中存在。

4.2  赖欣巴哈的概率因果

汉斯·赖欣巴哈在《概率运算与因果性的逻辑》等著作中，试图用概率论来重新定义因果关系。他提出了一个关键概念：如果A的出现增加了B出现的概率（P（B|A） > P（B|¬A）），那么A与B之间存在“统计关联”。但这种统计关联不等于因果关联——它可能只是由于A和B共享某个共同原因C而产生的。

赖欣巴哈的贡献在于提出了“筛选”的概念：如果给定C的条件下，A与B的条件独立（P（A∩B|C） = P（A|C） × P（B|C）），那么A与B之间的统计关联只是由于共同原因C造成的“虚假相关”。通过识别和“筛选”出共同原因，我们可以逼近真正的因果关系。

赖欣巴哈的“共同原因原理”（Common Cause Principle）至今仍是因果推断的核心理念之一。它告诉我们：在寻找因果时，我们不能只停留在两个变量之间的相关关系上，必须引入第三个变量（潜在的共同原因）来检测是否还存在“真正的因果关联”超过“虚假的相关”。

4.3 潜在结果框架：因果推断的统计表述

鲁宾在20世纪70年代提出的“潜在结果框架”（Potential Outcomes Framework），为因果推断提供了另一个重要的统计学工具。

潜在结果框架的核心思想是：对于一个特定的个体，我们只能观察到一种干预状态下的结果（例如，服药后的健康状况），而无法同时观察到另一种干预状态下的结果（不服药时的健康状况）。那个我们无法观察到的结果，就是“潜在结果”。因果效应被定义为“实际观察到的结果”与“未观察到的潜在结果”之间的差值。

这一框架的最大贡献在于：它明确了因果推断的基本困难，即无法同时观察同一个体在“有干预”和“无干预”两种状态下的结果，并据此提出了“因果推断是缺失数据问题”这一革命性观点。在这一框架下，随机对照实验（RCT）之所以被视为因果推断的黄金标准，是因为通过随机化分配，可以使实验组和对照组的“潜在结果”分布相似，从而用对照组的观测结果来“填补”实验组的缺失数据。

潜在结果框架还为观察性研究中的因果推断提供了方法论基础——通过匹配、工具变量、断点回归等设计，研究者可以模拟随机实验的条件，从非随机数据中提取因果信息。

5  现代因果推断：珀尔的结构因果模型

5.1 从统计相关到因果机制

统计学的因果方法虽然强大，但有一个根本性局限：它们仍然是在“相关关系”的层面上操作，只是在其中加入了更多的控制变量和更复杂的统计设计。即使在潜在结果框架下，因果推断也依赖一个关键的不可检验假设——“无混淆性”（即不存在遗漏的混杂变量）。

真正将因果推断推向新阶段的，是朱迪亚·珀尔及其结构因果模型（Structural Causal Model， SCM）。珀尔的核心洞见是：统计学只研究“变量的联合分布”，而因果研究必须研究“数据生成机制”。因果不仅仅是概率关系，而是关于“生成过程”的命题。

5.2  有向无环图与贝叶斯网络

珀尔引入了“有向无环图”作为因果关系的图形化表示。在有向无环图中：①节点代表变量；②有向边（箭头）代表因果方向——从“因”指向“果”；③“无环”意味着因果链不能循环——这在时间逻辑上是合理的，因为原因先于结果。

有向无环图不仅仅是一种表示工具，它还提供了强有力的推理工具。通过应用图论中的“d-分离”标准，我们可以判断在给定某些变量的条件下，哪些变量之间是条件独立的，哪些是条件依赖的——即使我们没有具体的数据，仅凭图形结构就能读出所有可检验的统计推断和不可检验的因果假设。

这一工具使得因果推理变得“可见”和“可操作”。研究者可以将自己的因果假设绘制为有向无环图，然后检验这些假设在数据上是否成立。更关键的是，有向无环图明确了因果假设中哪些部分是可以通过数据检验的，哪些部分是必须依赖背景知识或实验操作的——这使得因果推理的透明度和严谨性大幅提高。

5.3  do-算子：干预的形式化

珀尔最核心的贡献，是他对“干预”的形式化定义——do-算子。

在统计学中，我们通常研究的是条件概率P（B|A）——在观察到A发生的情况下B发生的概率。但珀尔指出，“观察到A”和“主动做A”是完全不同的两回事。

P（B|A）表示：当我们观察到A已经发生时，B发生的概率。

P（B|do（A））表示：当我们主动施加A时，B发生的概率。

两者的区别是深刻的。在观察性数据中，A和B的关系可能受到混杂因素C的干扰——观察到A时B发生率高，可能只是因为C同时影响了A和B。但在干预条件下——我们主动控制A的值，阻断所有指向A的外来影响——任何B的变化都只能通过A→B的因果路径产生。

珀尔提出了“do-演算”——一组数学规则，使得研究者可以从观察性数据中估计干预效应，只要相关的有向无环图结构（因果结构）是已知的。这意味着，在理论上，如果我们能够确定变量之间的因果结构（图形），那么我们就可以在不做实际实验的情况下，从观察性数据中推断出干预的效应。

这一工具的革命性在于：它使因果推断从“只能通过实验”拓展到了“可以基于观察性数据”，从而大大拓宽了因果探索的边界。

5.4  反事实：因果推断的高级形式

珀尔的另一大贡献是将“反事实”纳入形式化的因果推理。反事实推理是对“假如当初……会怎样？”的严格数学化：如果A没有发生，结果会如何？实际结果与反事实结果之间的差异，就是A的因果效应。

在结构因果模型中，反事实可以被明确地计算：修改模型中关于A的方程，将A固定为一个特定值，然后计算相应结果变量的“模型预测值”与原始值之间的差异。这使得“反事实”从一种想象练习变成了一种可计算、可检验的推理形式。

反事实推理在临床决策、政策评估、法律因果判断等领域具有直接的应用价值。例如，在医疗纠纷中，法官需要判断“医生如果不误诊，患者的预后是否会更好？”——这恰恰是一个反事实问题。珀尔的框架为这类问题提供了系统性的推理工具。

6  干预主义：伍德沃德的因果理论

6.1  干预主义的基本命题

詹姆斯·伍德沃德在《制造事物发生》一书中，系统阐述了干预主义的因果理论。干预主义的核心命题是：X是Y的原因，当且仅当通过对X进行适当的干预，Y会发生相应的变化。

这个定义看上去简单，但其理论深度在于对“干预”概念的精确化。伍德沃德定义了“理想干预”的几个核心条件：

（1）方向性：干预必须只改变X，不通过其他路径影响Y。

（2）独占性：干预对Y的效应必须完全通过X→Y的路径传递。

（3）外生性：干预本身不能与X的潜在原因相关。

理想干预是一个理论上的“金标准”，类似于物理学中的“理想实验”或“完全真空”。在实际研究中，我们可能永远无法实现完美干预，但理想干预提供了一个规范性的参照——我们设计实验、选择工具变量的目标，就是尽可能逼近理想干预的条件。

6.2  干预主义的认识论优势

干预主义理论有几个显著的认识论优势：

（1）直接回应了休谟的怀疑论。休谟质疑我们能否感知“必然联系”。干预主义不要求我们去感知神秘的因果力量，而要求我们去操作变量并观察响应。休谟的“恒常联结”是静态的观察；干预主义的“干预-响应”是动态的操作。后者比前者更接近我们直觉中的“因果”感。

（2）提供了因果关系与相关关系的明确区分标准。相关是“观察到X变化时Y也变化”，因果是“当我们主动改变X时Y会变化”。两者的区分在于是否进行了干预，而非在于关系的强度或统计显著性。

（3）为因果发现提供了可操作的方法论指引。干预主义告诉我们：如果你想知道X是否导致Y，就去尝试改变X，看看Y是否随之改变。这听起来像是常识，但它在方法论上的意义是深远的——它将因果从“观察”的领域转移到了“操作”的领域。

6.3 干预主义在中西医对照中的特殊意义

干预主义理论为我们理解中西医的认知分歧提供了独特的视角。

中医学的“相关即因果”范式在干预主义的标准下是不充分的。中医观察到“肝”和“目”相关，就直接认定“肝”是“目”问题的原因。但按照干预主义的标准，要证明“肝”是“目”的原因，必须进行干预实验：通过干预“肝”的功能，观察“目”的状态是否发生相应变化，并且这种变化必须通过特定的因果路径传递、不能被其他因素解释。

有趣的是，中医在实践中实际上也在进行“干预”——用清肝明目的方剂治疗眼疾。从干预主义的视角看，这已经是在进行因果检验。但问题在于：中医的干预是多靶点的、复杂的（一个方剂包含多种药物），而干预后的效应（眼疾改善）可能通过多条路径实现，不一定是因为“清肝”这一特定的因果链。因此，中医的临床“成功”并不能在严格意义上确证“肝-目”的因果关系。

这并不是说中医的干预无效，而是说：中医的干预方式（多靶点、复杂干预）不足以区分“特定的因果路径”和“非特异性的整体效应”。这正是现代医学通过随机对照实验、单变量干预、机制研究来反复确认因果的根本原因所在。

7  因果探访的科学实践：从实验室到现实世界

7.1  随机对照实验：干预主义的黄金实现

随机对照实验（RCT）是干预主义理论在实践中最标准的实现形式。其设计逻辑完美地体现了干预主义的核心要求：

（1）随机化分配：确保干预组和对照组的背景特征在统计上平衡，使两组之间的唯一系统差异就是是否接受了干预。

（2）双盲设计：消除研究者和受试者的预期效应，确保观察到的效应确实来自干预本身。

（3）可重复性：通过独立的多中心实验来验证因果结论的可靠性。

随机对照实验在医学、心理学、教育学等领域取得了巨大成功。它已经成为确立“什么治疗有效”的黄金标准，也是药物审批和新疗法推广的必要依据。

7.2  观察性研究中的因果推断

尽管随机对照实验是黄金标准，但在许多场景下，进行随机对照实验是不可能的或不道德的。例如，你不能随机分配人群去吸烟或不吸烟来研究吸烟与肺癌的因果关系；不能随机分配儿童去贫困或富裕的环境来研究贫困对认知发展的影响。

在这种困境下，观察性研究中的因果推断工具就显得尤为重要：

（1）工具变量法：找到一个与X相关、但通过其他路径不影响Y的变量Z，用Z的变化来模拟对X的随机干预。

（2）倾向性评分匹配：将干预组和对照组的个体按照“接受干预的概率”进行匹配，使两组在背景特征上可比。

（3）断点回归设计：利用某一阈值变量的临界点（如政策适用与不适用的分数临界值）来近似随机实验。

（4）双重差分法：通过比较干预组和对照组在干预前后的变化差异来控制时间不变的混杂因素。

这些方法在经济学、流行病学和社会科学中得到了广泛应用。它们虽然是“第二好的选择”，但在许多情况下是唯一可行的选择。

7.3  因果探访的层次与目标

综合以上讨论，科学探访因果关系的路径可以划分为三个层次：

（1）相关性探测：通过观察、调查、大数据挖掘来发现变量之间的关系模式。这一层次回答的问题是：“哪些现象一起出现？”这一层次对应于休谟的“恒常联结”观察。

（2）因果推断：通过实验设计、统计控制、图形模型等方法来区分“真正的因果”与“虚假的相关”。这一层次回答的问题是：“当固定其他条件时，现象之间的关系是否依然存在？”

（3）机制揭示：通过微观分析、中介分析、实验干预来揭示因果传递的具体路径和中间机制。这一层次回答的问题是：“原因通过什么通道传递到结果？”

这三个层次构成了科学因果探访的完整光谱。不同学科、不同问题可能停留在不同的层次，但科学追求的理想是：尽可能向第三层次，即机制揭示推进。

8  结论：从思辨到操作的范式转换

纵观科学探访因果关系的演进历程，一条清晰的脉络浮现出来：从思辨走向操作，从观察走向干预，从定性走向定量，从哲学走向工具。

休谟的怀疑论打破了“因果关系可以直接感知”的天真信念；穆勒的五法系统化了“从观察到推断”的归纳方法；统计革命提供了量化相关和检验假设的数学工具；珀尔的结构因果模型实现了因果推断的图形化和算法化；伍德沃德的干预主义理论将“干预”确立为因果的定义性特征。

每一个阶段都回答了前一个阶段留下的问题，同时也留下了新的问题。休谟回答了“我们如何形成因果观念”，但留下了“我们如何检验因果”的问题。穆勒回答了“如何通过观察检验因果”，但留下了“如何区分因果和相关”的问题。统计学回答了“如何在概率框架下处理相关”，但留下了“如何解释因果方向”的问题。珀尔和伍德沃德给出了目前最具解释力的答案：因果关系是关于干预和响应的关系，而不是关于概率分布的关系。

这一范式转换具有深刻的认识论意义。它将因果关系从“实在论”的形而上学思辨（“世界上真的存在因果必然性吗？”）转移到了“操作主义”的实证领域（“什么样的操作可以让我们断言X是Y的原因？”）。这种“操作化转向”并不是对因果关系的消解，而是对因果关系的解放，它使得因果问题不再是哲学家争论不休的玄学问题，而成为科学家可以着手研究的具体问题。

回到本文开头的中西医对照视角：中医学“相关即因果”的认知范式，在科学因果探访路径的标尺下，被定位为“相关性探测”层次的操作——它停在了休谟的“恒常联结”观察阶段，省略了后续的“因果推断”和“机制揭示”环节。中医学的临床“证实”之所以不能等价于科学意义上的因果确证，根本原因在于：它缺乏干预检验、缺乏混杂控制、缺乏中介机制揭示。这不是说中医学无效，而是说：中医学的因果锁定方式与科学的因果探访路径，处于不同的认识论层次和不同的方法论范式之中。

最终，科学探访因果关系的路径告诉我们：因果关系不是可以直接“看见”的，也不是可以通过直觉“领悟”的。它是需要通过精心设计的干预、严谨的统计推理、透明的因果模型和可重复的实验检验来逐步逼近的。这条路径没有终点，每一个因果结论都是可修正的、可被更精细的实验所超越的。但正是这种“可修正性”，构成了科学因果探访方法论的核心优势：它不是教条，而是持续自我批判、自我完善的开放进程。

参考文献

[1] Hume D. An Enquiry Concerning Human Understanding. Oxford University Press，2007. （Originally published 1748）

[2] Kant I. Critique of Pure Reason. Cambridge University Press， 1998. （Originally published 1781）

[3] Mill J S. A System of Logic，Ratiocinative and Inductive. University of Toronto Press，1973. （Originally published 1843）

[4] Reichenbach H. The Direction of Time. University of California Press，1956.

[5] Rubin D B. Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Journal of Educational Psychology，1974，66（5）: 688-701.

[6] Pearl J. Causality: Models，Reasoning，and Inference. Cambridge University Press，2nd edition，2009.

[7] Pearl J，Glymour M，Jewell N P. Causal Inference in Statistics: A Primer. Wiley，2016.

[8] Woodward J. Making Things Happen: A Theory of Causal Explanation. Oxford University Press，2003.

[9] Imbens G W，Rubin D B. Causal Inference for Statistics，Social，and Biomedical Sciences. Cambridge University Press，2015.

[10] Morgan S L，Winship C. Counterfactuals and Causal Inference: Methods and Principles for Social Research. Cambridge University Press，2nd edition，2015.

[11] Angrist J D，Pischke J S. Mostly Harmless Econometrics: An Empiricist‘s Companion. Princeton University Press，2009.

[12] Cartwright N. Nature’s Capacities and Their Measurement. Oxford University Press，1989.

支持单位：