信息时代，短视频、自媒体文章流行，我们需要对网络上流行的观点进行批判性的思考，尤其是可能影响自己决定的内容。自我修养的重要一部分是进行因果分析，剔除一些似是而非的原因。本文中举出一些常见的因果错误，通过例子的分析，可以锻炼我们的思维，在阅读自媒体内容时更多思考。

因果分析的重要性，早在信息时代之前就有不少讨论。尼采在《偶像的黄昏》一书中给出了这样的例子：科尔纳罗把他的节食习惯作为长寿和幸福生活的诀窍加以推荐，但是这个意大利人把因果倒置了，错把节食看成了长寿的原因；长寿的先决条件是异常缓慢的新陈代谢，他恰巧消耗比较少，所以节食，而人的食量并不能随意控制；因果混淆的建议，有可能造成了一些人不幸福的生活或缩短的寿命[1]。当然，如今更加系统的科学研究发现，均衡的饮食，减少高糖高盐高脂的饮食习惯，可以减少糖尿病、高血压等慢性病的发生[2]，是比较有根据的健康建议。

如何区分因与果呢？图1展示了最简单的情况：只有两个事件A与B。用例子来考虑：在房间里，A代表电灯开关，B代表电灯是否亮了，我们想让一只聪明的猴子，学会开关与电灯之间的关系。实验室人员在房间外，可以用遥控来控制开关的状态。猴子反复观察到，开关与电灯总是同时切换，所以推测开关与电灯之间有相关性。为了确定因果关系，它必须做一个干预（intervention），才能确定哪个是因。当猴子对开关进行操作（干预）时，它发现电灯状态也发生了变化；相反的，当猴子对灯泡进行干预时，比如砸破灯泡，从底座取下灯泡等等，都不会影响开关的状态。对因的干预会传递到果，但是对果的干预不会传递给因。通过这样的干预，猴子能大致猜测开关是原因，电灯是结果。有兴趣的读者，可以在文献中查找干预与因果的更加全面的介绍，比如文献[3，4]。在两个因素下的因果关系的理解并不难，但是如果因素增加时，问题将会更加困难。比如，如果实验者有一个控制电灯的总开关，猴子可能对它能控制的开关与电灯的状态形成错误的理解。 

图1. 两个事件的因果分析。干预（intervention）可以获得关于原因与结果的信息。

医学领域的顶尖期刊《新英格兰医学杂志》在2012年曾经刊登过一篇有关巧克力的乌龙论文[5]：作者作图发现，人均巧克力的消费量与人均诺贝尔奖的数量有很强的线性的相关性，推测巧克力的食用或许可以提高认知能力，虽然作者表示缺乏机理性的研究确证，但是已经给读者错误的印象（想象）了。这个论述的错误是教科书式的忽视共同原因（neglect of a common cause）[6]。图2（a）可以直观地展示了共同原因的情况：C（经济水平）影响D（诺贝尔奖数量），C（经济水平）也影响E（巧克力消费量）。瑞士、瑞典等国家经济发展水平较高，具有先进的科研仪器与人才培养的优势，所以更有可能获得诺贝尔奖；发达国家收入较高，所以巧克力的消费量可能更高（非洲国家有饥荒、食物短缺的问题，很少可能花钱去买巧克力）。忽视了经济水平的共同原因，就可能错误地归纳巧克力消费量与诺贝尔奖数量正相关。类似的，鲨鱼攻击人群（shark attack）的发生率与冰淇淋消费量正相关，但是没有人会建议减少冰淇淋的消费量从而减少鲨鱼的攻击；正相关的原因在于气温升高以后，冰淇淋消费增加，在海滩游泳的人也多，所以更多人受到鲨鱼的攻击[7]，这也是典型的图2（a）展示的情况。

图2. 三个事件的不同因果关系图（a）共同原因（common cause），（b）因果链（causal chain），（c）对撞因子（collider）。

       三个事件形成的因果关系图除了图2（a）中的共同原因外，还有（b）因果链与（c）对撞因子的情形。图2（b）因果链的例子很多，有点一环扣一环的感觉。美国人喜欢喝冰可乐等苏打饮料：低温可以让味蕾没有那么敏感，味蕾不觉得冰可乐太甜（常温可乐给人更甜的感觉），所以就容易摄入过多糖分而长胖。因果链也可以是概率性的：吸烟可能增加患肺癌的概率，得了肺癌的人寿命可能较短。

图2（c）的对撞因子的说法听上去好像很难懂，但是生活中的例子可以给我们很直观的体会。爸爸和家里的宠物狗都很喜欢吃红烧肉：家里的红烧肉少了，不是爸爸偷吃的，就是宠物狗偷吃的。排除了一个因素（或者降低概率），那么就可以推导出另一个因素（或者可能性更高了）。如果用等式来写C-> E <-D，像是两个箭头撞在了一起，因而有对撞因子（collider）的名称。现实中，产生一种结果的变量有很多，一个常见的错误就是只抓住一个因子考虑。过去有些外国媒体预测印度经济发展速度将超过中国，给出的原因是：印度年轻人数量比中国多，具有人口红利。但是我们知道影响经济发展的因素有很多，比如受教育程度（中国平均受教育程度远高于印度，印度的文盲数量很大），中国的人均预期寿命也比印度高不少，而中国的基础设施建设比印度强很多。要得出科学的结论，需要比较全面地分析不同的原因（因素），而不能盲人摸象地用片面意见作为结论。

医学方面的问题诊断需要考虑很多因素，确定问题的核心有时候比物理等自然科学更加困难。电视剧《豪斯医生》的典型剧情是这样的：一个病人有严重的症状，假设某种病因以后，对症下药，发现病人并没有恢复健康；于是调查病人的背景与最近的接触的人群，寻找可能的其他解释，然后采用新的治疗方案，验证是否有效果。通过药物或手术治疗的干预，然后检查导致了什么样的结果，从而肯定或者否定原先的假设。中学的理科教育强调物理的学习，尤其是模型的建立、过程分析与计算。物理学通常会有很多的近似假设（approximation），其实就是在提取最重要的因素，在这个基础上进一步推导，通过抓大放小的方式，看看最后的结果是否大致符合近似情况。不同于考试，现实生活与科研中，更多依赖于寻找不同的因素，用实验设计去验证或排除假设，从而解决问题。

更加困难的是社会科学的研究，比自然科学的变量更多，而且很多的变量是无法控制的，也难以进行随机化实验，有时需要借助观测性研究。当然，大数据与智能手机的应用App给心理学等社会科学的研究提供了很多的新工具与实验方法[8]。对一些研究建模与分析以后，可能产生一些已考虑因素无法解释的残差（residual）。诺贝尔奖得主舒尔茨指出，在研究经济增长的模型中有大的残差，分析这些残差是很有必要与意义的，比如残差的逻辑基础是什么，如何用新的要素（attributes，factors）去纠正残差等等[9]。举个例子，一些教育批评家认为，我们的科研创新缺乏后劲是因为学生缺乏好奇心与兴趣，但是既不提供培养好奇心与兴趣的策略，也不提供好奇心影响创新的逻辑关系或证据。好比用黑盒子解释黑盒子，这样的说法难以验证，是缺少科学精神的。

最后，分享一个自己的错误的经验教训：我做错了因果分析，后悔了很长一段时间。我在高一的时候，读过一篇反直觉的有趣的文章：亚洲人的英语托福成绩与经济发展水平成反比关系，比如日本人的托福成绩很差，中国人韩国人还不错，而印度人的托福成绩非常好。高中的我根本没有因果分析的能力，顿时为不想学习英语找到了一个好的借口：当中国成为发达国家，自然有其他国家的人来学中文了。这篇文章只是给出了相关性，但并没有解释影响英语成绩的原因：日语发音中没有l与r的区别，缺少f、v、th的辅音，元音比英语少，而且大多数的音节都以元音结尾（a、i、u、e、o），受母语影响很难说好英语；印度由于当地语言众多，英语作为近似母语，大学授课用英语教材更方便；韩国是美国的主要留学生生源地，所以对英语能力非常重视，而托福本来就是测试有美国留学倾向的学生的。到了大三大四，我才发现英语在科研中的重要性，开始恶补英语，非常后悔高中与大学低年级时的短视。

在信息时代，有趣的文章才更容易吸引注意力，因为反直觉而有趣，才能吸引用户点击和阅读。一些文章或许只是简单陈述事实，但也可能误导我们。生活中，我们每个人都会犯错，在错误中吸取教训与经验而成长。在做重要的决定时，最好进行因果与相关性的分析，更加勇敢主动地去征询朋友的反对意见，来预防或纠正自己的错误观点。

引用文献：

[1] 尼采，李超杰译，偶像的黄昏——或怎样用锤子从事哲学，商务印书馆，2013年，p33.

[2] World Health Organization. Diet, nutrition, and the prevention of chronic diseases: report of a joint WHO/FAO expert consultation. Vol. 916. 2003.

[3] Hagmayer, York, Steven A. Sloman, David A. Lagnado, and Michael R. Waldmann. "Causal reasoning through intervention." Causal learning: Psychology, philosophy, and computation (2007): p.86

[4] Pearl, Judea. Causality: Models, Reasoning, and Inference. Second Edition, Cambridge university press, 2009. p.23

[5] Messerli, Franz. Chocolate Consumption, Cognitive Function, and Nobel Laureates. The New England Journal of Medicine (2012); vol. 367: p.1562

[6] T. Edward Damer, Attacking Faulty Reasoning, Wadsworth, Cengage Learning, 2013, 7^th edition，p.196

[7] James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An introduction to statistical learning. Springer, 2013. p.74

[8] Salganik, Matthew J. Bit by bit: Social research in the digital age. Princeton University Press, 2019.

[9] Theodore Schultz, The economic value of education, Columbia University press. 1963, Page ix.