文/W先森
我在文章裏曾不止壹次地提到：相關不等同於因果，但壹直沒有很好地去解析中間的原理，今天就用這壹篇文章來詳細說說。
本文分了以下四個部分：
01 從壹些生活中的現象，談壹下我們的認知習慣；
02 說壹下相關和因果的區別
03 線性回歸模型——證明相關性的最可靠辦法
04 方法論部分：知道這些有啥用
02、03部分略燒腦，感覺理解困難的可以跳過。從統計學找相關性的方法中可以知道，要把兩個事件之間的因果證明出來是相當困難的，甚至只是證明相關性也具備壹定難度。
由此得知：
知道了這些以後，我們該怎樣去思考？
通常，如果妳感冒了，妳會怎樣去歸因？
從直接原因出發：可能不小心在哪裏著涼了？
從生活習慣出發：可能最近睡得太晚，或者吃得不太健康？
從周圍環境出發：可能哪個家人/朋友/同事最近剛好生病了？
這其實算是蠻正常的推測，還有壹種不正常的，就是用某件自己不喜歡的事情直接來斷定的。例如我媽就特別喜歡拿壹些看不順眼的東西來歸因：“看妳還敢喝那麽多可樂，感冒了吧？” 然而，我壹周才喝那麽壹兩罐可樂，說這會導致感冒，我肯定是不會相信的。
總而言之，在日常生活中，人們習慣用直覺去給事情歸因，而這常常是沒有根據，甚至是完全錯誤的。我們再來看幾個例子：
這些命題看起來都像是“很有道理”的因果，但其實要“破”這樣的說法很簡單：
請註意，這裏擡杠式的回復說是把因果破掉了，但也並沒有給出正確的論斷。
在此，這些例子要證明的是：
那到底怎樣的歸因才是對的呢？
下面我們就來了解壹下，統計學上對於相關和因果的概念，以及找到相關性的方法。
相關和因果，在統計學上的意義如下：
相關 的意思就是A事件與B事件 有關系 ，這裏的關系可以有很多種情況，可以是 A引起B 或 B引起A；又或者說A只是其中壹個原因，有可能還要湊齊其它C、D、E事件才能引起B。
因果 是相關的壹種，但其要求更為 嚴格 ，它比相關要攜帶多壹個屬性——必然性，也就是說，有因必有果，有A必有B。
如果A事件與B事件之間是因果關系，那麽兩者必然是相關的；但如果A事件與B事件之間只是相關，則兩者之間未必就會存在因果。
舉個例子，對水加熱到100攝氏度，水就會沸騰。
A = “對水加熱到100攝氏度”
B = “水會沸騰”
我們說A是因，B是果，如果放在平原地區去實驗，這個結論總是正確的。但如果把水放到海拔3000米以上的高原，沸點就會變低，這時A就不能推出B了，我們要把A變成A1才行：
A1 = “對水加熱至沸點（沸點隨海拔上升而降低）”
B = “水會沸騰”
科學就是這樣，即便是已被認定為因果的規律，也有可能要不斷更新。我們從物理學史也看到同樣的探索過程：從牛頓的力學三定律，到愛因斯坦的相對論，再到量子力學，再到弦論。真理總是不斷地被否定，而後又重建，所以：
那要統計學家們又是如何找到相關性，從而逐漸推導出因果的呢？下面，我們就來了解壹下統計學的回歸模型。
統計學有個叫做回歸模型的東西，能夠證明兩組數據的相關性。形象點描述就是，把兩組數據丟到壹個XY坐標系中表示，再用壹條直線或曲線去擬合，讓這條線能夠通過盡可能多的點。如果這條直線可以用壹個方程式來表達，那我們就說他們是線性相關的。
關於線性回歸，有壹個歷史上知名的研究，來自於英國統計學家弗朗西斯·高爾頓提出的高爾頓定律，結論是這樣的：
圖形展示的結果如下：
橫坐標是父母的身高，縱坐標是孩子的身高。
紫色小框的數據代表：父母矮，但孩子比父母高的部分
綠色小框的數據代表：父母高，但孩子比父母矮的部分
紅色的那條直線就是能夠通過最多點的線，它常常是壹個 回歸方程式 。
以上面的數據為例，求出這個方程式的數學步驟如下：
01 把同壹X值所對應的Y值與直線上的Y'值的差求出來，這個叫殘差
02 把所有殘差的平方和加起來，嘗試最小化這個“殘差的平方和”
03 對斜率和截距各自求偏導數
04 對壹個二元壹次方程組求解
類似的，我們還可以用Excel來做，方法相對簡單：
01 貼上數據
02 插入散點圖
03 添加元素-趨勢線
04 趨勢線設置-顯示公式
下面就是壹個睡眠數據分析的圖例，因不是本文的重點，暫不展開詳述。
最後，歸納壹下統計學找出相關性的步驟：
首先，得收集大量樣例數據；
然後，進行曲線擬合（線性回歸）；
最後，確定相關的類型（正/負相關，直線/曲線相關，完全/強/弱相關等）
現在，我們得出了三個結論：
知道這些，對我們的日常生活又有什麽幫助呢？
留意自己或別人說話時用的表示因果的字眼：因為，所以，因此，就是，只能，肯定等等。這樣做可以有效察覺到壹個人的說話乃至思考的模式。
我就發現自己在回應別人時，習慣用“所以”開頭，但實際上這裏面根本沒有什麽因果關系，那只是我的壹種行為模式——習慣去歸納和推測別人的想法。
當我們自以為找到了什麽規律的時候，可以試試把因果掉轉過來思考。
《人類簡史》在談種族歧視時說到，人們總是以為是某種來自生物學的差別，導致了黑人的各種“劣等人”的表現。但實際上當時的黑人之所以有那樣的表現，是因為他們從來就沒有得到過很好的教育，生活的環境也壹直非常惡劣。
李開復在《向死而生》中也說過，如果這個病不是什麽惡劣行為所帶來的“果”，而是上天想要讓他知道什麽的“因”，那麽病就不是詛咒而變成是祝福了。
正如前面的例子說到的，平原人壹直以為水的沸點是100攝氏度，只到有壹天遇上了高原人才知道，水的沸點會隨海拔高度而變小。
跨界，跨學科，多視角，多維度，這些都是近段時間的熱詞，不單單因為這樣的研究方法夠全面，更能看到真相，還在於這樣的方法更容易出現創新。
網上的聽書，社群中的交友，這些都是良好的獲取跨學科視角的好方法。
即便我們通過研究，實踐，檢驗之後得出了壹些結論，這些結論也僅僅是假設。
世界總是在變化，這些變化普遍存在於人和環境當中，所以這些結論都是階段性的。我壹直認為，世界本無真理，現在看來那也是壹個錯誤的論斷。如果把時間這個維度也加入進來思考的話，其實我只能夠這樣來表述—— 世界上不存在總是正確的真理，但卻可以有現在最好，最管用的道理。
要如何才能不斷更新自我呢？
那就是為什麽今天我們都說要成為壹個終身學習者原因了。
最後，說壹個很久以前在報紙上讀到的故事：
故事講到這裏就結束了，如果妳把文章看到了這裏，相信壹定能對這個故事提出來不同的看法，請在評論區與我討論吧。