为什么

作者:

在






为什么


READING NOTES

科普

为什么
The Book of Why: The New Science of Cause and Effect
“吸烟会导致肺癌吗?”这个问题困扰了人类几十年。图灵奖得主朱迪亚·珀尔用《为什么》这本书回答了它——不是靠更多数据,而是靠因果关系的数学。珀尔提出的”因果革命”,让科学第一次能够用数学语言回答”为什么”,而不仅仅是”是什么”。从吸烟与肺癌,到疫苗与自闭症,再到气候变暖,因果推理正在重塑我们理解世界的方式。
书名
为什么:关于因果关系的新科学(The Book of Why)
作者
朱迪亚·珀尔(Judea Pearl)& 达纳·麦肯齐(Dana Mackenzie)
首版年份
2018 年
荣誉地位
图灵奖得主珀尔的科普代表作;《纽约时报》畅销书;因果推理领域的里程碑;被比尔·盖茨推荐为”改变思维方式的书”
阅读难度
★★★☆☆(有一些公式和图表,但作者尽量用通俗语言解释,非专业读者也能读懂核心思想)
推荐指数
★★★★★(理解”因果”与”相关”区别的必读之作)

一句话总览

相关性不等于因果性——这是统计学的基本常识,但过去的统计方法无法回答”为什么”。珀尔的因果革命用”因果图”和”do 演算”,让科学第一次能够严谨地回答因果问题,从观察数据中推断出干预的效果。

一、因果阶梯:从观察到干预到反事实

珀尔提出了一个核心概念——因果阶梯(Ladder of Causation),它把人类的认知能力分为三个层级:

第一级:观察(Seeing)。回答”如果我看到 X,Y 会怎样?”这是相关性的世界——通过观察数据发现规律。比如”吸烟的人更容易得肺癌”。大部分动物和当前的人工智能都停留在这一级。

第二级:干预(Doing)。回答”如果我做 X,Y 会怎样?”这是因果的世界——通过主动干预来发现因果关系。比如”如果我让这个人戒烟,他得肺癌的概率会下降吗?”人类通过实验(比如随机对照试验)达到这一级。

第三级:反事实(Imagining)。回答”如果当时我做了 X(而不是没做),Y 会怎样?”这是想象的世界——通过假设来理解过去、规划未来。比如”如果肯尼迪没有遇刺,越南战争会怎样结束?”只有人类能达到这一级。

珀尔的核心论点是:过去的统计学只停留在第一级,无法回答第二级和第三级的问题。而因果革命的目标,就是让科学能够严谨地处理干预和反事实。

数据本身永远无法告诉我们因果关系——只有因果模型才能。—— 全书核心命题

二、相关 ≠ 因果:一个百年难题

“相关不等于因果”是统计学入门第一课,但如何区分相关和因果,却是困扰了统计学家一个世纪的难题。

经典的例子是吸烟与肺癌。早在 1950 年代,流行病学家就发现吸烟和肺癌之间有强相关。但烟草公司反驳说:“也许有一个’吸烟基因’,它既让人想吸烟,又让人容易得肺癌。吸烟和肺癌只是相关,不是因果。”

这个反驳在逻辑上是成立的——因为存在混杂变量(confounder),观察到的相关可能是虚假的。

传统统计学的解决方案是随机对照试验(RCT):随机把人分成两组,一组吸烟,一组不吸,然后看肺癌发病率的差异。但吸烟的 RCT 在伦理上不可行——你不能强迫人吸烟。

珀尔的因果革命提供了另一条路:即使不能做实验,也能从观察数据中推断因果关系——只要你有正确的因果模型。

“相关不等于因果”这句话被滥用了。它的真正意思是:光靠相关无法回答因果问题,但加上因果假设,就可以。—— 第 1 章

三、因果图:用图来表示因果关系

珀尔发明的因果图(Causal Diagram)是因果革命的核心工具。它用箭头表示变量之间的因果关系。

比如,”吸烟 → 肺癌”表示吸烟导致肺癌。如果存在混杂变量(比如”吸烟基因”),就画成”吸烟基因 → 吸烟”和”吸烟基因 → 肺癌”。

因果图的强大之处在于:它能帮你判断需要控制哪些变量,才能正确估计因果效应。珀尔提出了“后门准则”(Backdoor Criterion)——只要堵住所有从原因到结果的”后门路径”(即经过混杂变量的路径),就能正确估计因果效应。

回到吸烟与肺癌的例子:如果我们画出因果图,发现”吸烟基因”是一个混杂变量,那么我们需要控制”吸烟基因”。但吸烟基因无法直接观测——不过我们可以通过它的”代理变量”(比如家族病史、尼古丁代谢率)来控制。

因果图让”控制变量”从一门玄学变成了一门科学。

因果图是因果推理的”显微镜”——它让我们看到数据中隐藏的因果结构。—— 第 3 章

四、do 演算:干预的数学

因果图解决了”控制什么变量”的问题,但还有一个更深的问题:如何从观察数据中计算”如果我干预 X,Y 会怎样”?

珀尔发明了do 演算(do-calculus)来解决这个问题。do(X) 表示”主动让 X 等于某个值”,而不是”观察到 X 等于某个值”。

P(Y | X) 是观察概率——”看到 X 时,Y 的概率”;P(Y | do(X)) 是干预概率——”让 X 发生时,Y 的概率”。这两者完全不同。

比如,P(肺癌 | 吸烟) 很高,但 P(肺癌 | do(吸烟)) 是多少?如果有混杂变量,这两个概率就不一样。

do 演算提供了三条规则,可以把包含 do 的表达式转化为不包含 do 的表达式(即可从观察数据中计算的形式)。如果转化成功,说明这个因果问题是”可识别的”——可以从观察数据中回答。

这是因果革命最深刻的洞见:有些因果问题,可以仅凭观察数据 + 因果模型来回答,不需要做实验。

do 演算是因果关系的”代数”——它让我们能够像解方程一样解决因果问题。—— 第 7 章

五、反事实:想象另一种可能

因果阶梯的第三级是反事实(Counterfactual)——”如果当时……会怎样?”

反事实是人类独有的认知能力。没有反事实,我们就无法从错误中学习,无法规划未来,无法追究责任。

珀尔用结构因果模型(SCM)来处理反事实。结构因果模型的核心是一组方程,每个变量都由它的”原因”和一个”噪声项”决定。通过修改这些方程(比如把 X 固定为某个值),我们就能计算反事实。

最经典的反事实问题是“必要因”和”充分因”。比如,”是枪手 A 的子弹杀死了受害者吗?”——如果没有 A 的子弹,受害者还会死吗(必要因)?如果只有 A 的子弹,受害者会死吗(充分因)?

这些问题在法律、医学、公共政策中至关重要。珀尔的因果框架让我们第一次能够严谨地回答它们。

反事实是因果推理的圣杯——只有掌握了反事实,我们才能真正理解”为什么”。—— 第 8 章

六、四大主题

相关 ≠ 因果
数据只能告诉我们相关,因果需要模型。没有因果假设,再多的数据也回答不了”为什么”。
因果图的力量
用箭头画出因果关系,就能判断需要控制哪些变量、哪些因果问题可以从观察数据回答。
干预与观察不同
“看到”和”做到”是两回事。P(Y|X) 和 P(Y|do(X)) 不一样,混淆它们会导致错误决策。
反事实是人类的超能力
想象”如果当时……”是人类独有的能力。因果科学让这种能力从直觉变成了严谨的推理。

七、七条行动启发

1
区分相关和因果
看到两个事物相关时,不要立刻得出因果结论。问自己:有没有混杂变量?
2
画出因果图
面对复杂问题时,画出变量之间的因果关系图。这能帮你看清需要控制什么、忽略什么。
3
警惕”观察偏差”
“看到”不等于”做到”。观察到的规律,不一定在干预后依然成立。
4
善用随机对照试验
如果可能,做实验是确定因果关系最可靠的方法。A/B 测试就是 RCT 在商业中的应用。
5
用反事实思考
做决策时,问自己:”如果我不这么做,会怎样?”反事实思维能帮你做出更好的选择。
6
警惕数据迷信
数据不是万能的。没有因果模型,大数据只能告诉你相关,不能告诉你为什么。
7
理解中介效应
X 影响 Y,可能是直接影响,也可能通过 M 间接影响。理解中介路径,才能找到真正的杠杆点。
8
保持因果思维
在这个”数据驱动”的时代,更要保持因果思维。相关是表面,因果才是本质。


评论

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注