引言：相关不等于因果的百年谜题

大家好，欢迎来到本频道。今天我们将探讨一个核心问题：相关（correlation: 两件事物步调一致，共同变化）与因果（causation: 一件事导致另一件事发生）之间的区别。例如，有数据显示，在过去一百年里，全球人均巧克力消费越高的国家，诺贝尔奖得主就越多，相关性高达0.79。甚至有人在专业期刊上发表文章分析巧克力消耗与诺贝尔奖得主数量的关系。那么，按照这个结论，中国若想获得更大的科学进步，是否应该囤积并储备大量巧克力作为战略物资呢？

你肯定会觉得哪里不对，恭喜你，你的直觉是正确的。这个例子正是我们今天要拆解的核心谜题。我们从小到大耳熟能详的一句话是“相关不等于因果”，但你是否想过这句话到底是怎么来的？为什么在科学史上，一群最顶尖、最聪明的人曾为了区分这两个词争吵不休，甚至差点让整个数据科学误入歧途，倒退一百年？今天，我们将讲述一场关于原因的百年战争，它将从达尔文的表弟和一个神奇的弹珠台开始，经过一位统计学家暴君的黑暗统治，最终被一个在美国农业部默默无闻，养了20年豚鼠的男人所终结。这趟旅程不仅会彻底让你搞懂相关和因果，还会给你一副全新的眼镜，去看穿今天这个被数据和算法包裹的世界。相信大家看完这集，就不会再被那些“研究表明”的标题轻易忽悠了。

高尔顿的迷途：从遗传之谜到相关性科学

我们的第一位探险家是弗朗西斯·高尔顿。如果这个名字陌生，那他的表哥查尔斯·达尔文你一定认识。高尔顿是典型的维多利亚时代全才，集探险家、发明家、人类学家于一身，也是指纹识别技术的开创者。和他的表哥一样，他对遗传这个当时最时髦的科学问题充满好奇。他想知道，杰出才华是否能在家族中代代相传？更基础的问题是，像身高这种简单的性状，它的遗传规律到底是什么呢？

为了模拟遗传过程，高尔顿设计了一个精妙的装置，我们今天称之为高尔顿板（Galton Board: 模拟随机过程和正态分布的装置）。小球从最上方的入口进入，每碰到一个钉子，有50%的概率向左，50%的概率向右，看起来完全随机。然而，当足够多的小球落到底部时，奇迹发生了：这些小球堆积起来，形成一条极其平滑对称的曲线，即正态分布（Normal Distribution: 一种常见的连续概率分布，其形状呈钟形对称），中间最高，两边逐渐变少。高尔顿当时一定激动不已，因为他收集了大量的法国士兵身高数据，发现人类身高的分布正好是这样一个钟形曲线。他觉得自己抓住了遗传的本质，身高就像小球的位置，每一代人都是小球往下掉了一层，经历一点随机碰撞和偏移，最终决定了身高。

这个装置你可能会觉得眼熟，没错，美国有个非常火的电视节目《The Price Is Right》中的游戏Plinko，就和高尔顿板一模一样。选手将圆片丢下去，看到其弹跳，最终落入一个有奖金的槽里。虽然每个圆片的路径都无法预测，但电视台老板心里有数，因为根据钟形曲线，他们能非常精确地算出，长期来看，大多数晶片都会落在中间奖金较低的区域，只有极少数会掉到两边的大奖里。保险公司也是靠这个原理来赚钱的。

高尔顿当时的想法是，把Plinko模型直接套用在人类遗传上。他认为我们每个人的身高，就是祖先一代代玩Plinko积累下来的最终位置。但很快，作为一名严谨的科学家，高尔顿发现了一个致命的漏洞。如果遗传真的像Plinko游戏一样，每一代只是在前一代的基础上再随机碰撞一次，那么玩两代就相当于把Plinko板加高一倍。结果是第二代小球的分布明显比第一代更宽，也就是说方差变大了。按照这个逻辑，一代又一代，人类的身高分布应该像摊大饼一样越来越宽，越来越扁平，几百年后社会上应该到处都是三米高的巨人和一米二的矮子。但这并不符合事实，现实世界里人类身高分布几百年来都非常稳定，总是在一个固定的范围内波动，我们现在也没有九尺高人。

高尔顿陷入了沉思，模型和现实对不上了，一定是哪里出了问题。为了解决这个问题，他开始更加仔细地分析他收集到的身高数据，然后他发现了一个让他困惑了八年之久的现象。他给它取了个名字叫做reversion，后来又改成了回归均值（Regression to the Mean: 统计学现象，极端值之后通常会跟着更接近平均值的表现）。我们现在看到的这张图是数据科学史上的一座丰碑，它里面隐藏的秘密直接导致因果研究的第一次转向。

让我们花一分钟来读懂它。首先，我们找到身高是72英寸（约1.83米）的父亲们，这个身高属于相对高的了。在图中画一个垂直框把他们圈起来，我们只看这些高个子的爸爸。然后，我们看他们儿子身高分布，都在这个框的中间，对应的纵轴位置大约是71英寸，儿子比爹矮了一英寸，这就是回归均值。清空屏幕，我们这次找到所有身高为71英寸的儿子，然后画一个水平的框把他们框起来。现在玩法变了，我们只看这些身高1.8米的儿子。我们反过来看，他们的父亲平均身高是多少？你会发现这些点的中心对应着横轴的位置大概是70英寸，父亲比儿子还矮。

等一下，这怎么可能？刚才不是说了吗，选择高个子的父亲，他们的儿子比父亲矮；现在又说，选择高个子儿子的父亲，比他们的儿子矮。在同一个世界，同一个父亲，同一个儿子，怎么可能出现既比儿子高又比儿子矮的情况呢？你是不是感觉大脑CPU要烧了？高尔顿也一样，但是他最终想通了，也正是这个想通，让他拐上了一条意想不到的路。

他意识到，这两个结论其实并不矛盾，因为我们比较的是两个完全不同的群体。第一个群体是所有身高1.83米的父亲，第二个群体是所有儿子身高1.8米的父子对。更关键的是，他从这个对称性里看到了一个颠覆性的事实：如果说父亲的身高导致儿子身高回归，那还说得通；但是儿子身高怎么可能反过来导致他父亲的身高也发生回归呢？时间不能倒流啊。这个瞬间，高尔顿恍然大悟：回归均值它根本不是一个真实的物理的、有因果关系的生物学过程，它不是一种神秘的自然力量把万物都拉向平均，它纯粹是一个数据现象，一种统计上的幻觉。这一发现让他兴奋，也感到沮丧。他放弃了那个把身高拉回的力的因果解释，转而开创了一门全新的学问，只描述数据关系而不问背后原因。他给这种关系起了个名字叫做相关（correlation），也就是相关科学。到这里，我们走了一个岔路口。高尔顿这个伟大的探险家，在无限接近因果真相时，被相关这片美丽的新大陆的风景迷住了眼，最终选择了停靠上岸，放弃了继续寻找指向因果的那条航线。

为了让大家彻底理解为什么回归均值是一个幻觉，我们再来看一个现代的例子：体育界的二年级魔咒。喜欢看NBA的朋友都知道，NBA的新秀球员经常出现那种第一年打出逆天数据，拿下年度最佳新秀，结果到第二年数据会明显下滑。球迷们就开始分析：他是不是骄傲了？是不是被对手研究透了？大家都在找原因。但是诺贝尔经济学奖得主、心理学家丹尼尔·卡尼曼告诉我们，可能根本没有那么多原因。他给了一个极简的公式：巨大成功等于相当的才能加上爆棚的好运。一个新秀能够打出惊艳的赛季，说明他天赋异禀，这是肯定的。但同时，大概率因为他那年的运气特别好，关键球总能蒙进，对手的核心总是在打他的时候崴脚等。等到第二年他的才能还在，但是运气这种东西本身就是随机的，它会回归均值，不可能永远都这么好运。所以，他的表现自然就会从“才能加爆棚好运”回归到更接近才能的真实水平。你看，根本不需要什么复杂的因果解释，这就是回归均值的真相，它不是一种力，它只是运气的消散。

皮尔逊的黑暗时代：因果关系的被禁锢

高尔顿的转向影响深远，而把他这条路走到黑，并把他变成整个统计学界金科玉律的，是他的学生卡尔·皮尔逊。卡尔·皮尔逊是统计学界的狂热信徒，他读了高尔顿的著作后，觉得自己像个海盗，发现了一片全新的数学海洋。他认为老师的“相关”是比“因果”更高级、更科学的概念。他公开宣称，因果只不过是相关性达到了100%的特例而已，科学的任务就是描述相关性，至于原因，这是形而上学，是拜物教，是现代科学应该摒弃的旧鞋！在他强力推动下，统计学大门对“因果”这个词砰的一下关上了。从此，统计学家发明了各种精妙的工具来计算相关性，但被严格禁止讨论因果。如果你是一名20世纪中叶的科学家，你的论文里如果敢写A导致了B，审稿人会毫不客气地把你的文章打回来，让你改成A与B出现了显著相关。科学被阉割了，我们拥有了前所未有的数据分析能力，却失去了讨论为什么的语言。

这个因果的黑暗时代持续了将近半个世纪。这种思想的风险是巨大的。如果我们不能讨论因果，我们就没有办法评估一项新的政策是好是坏，我们就没有办法确定一项新药是否有效，我们就没有办法判断一种教学方法是否真的能够提高学生成绩。我们只能看着数据跳舞，却不知道谁在指挥。

赖特的革命：用路径分析解锁因果

就在整个学术界都满足于描述相关性的时候，一个几乎被所有人忽视的角落里，一位英雄正在悄然登场。他不是在伦敦的皇家学会，而是在华盛顿的美国农业部。他研究的也不是什么高深的人类材质，而是豚鼠的毛色。他叫休厄尔·赖特，他就是那个即将单枪匹马挑战整个统计学帝国的人。

赖特当时也遇到一个高尔顿式的难题。他精心饲养的豚鼠，哪怕是经过20代的精心繁殖，理论上基因应该已经非常纯了，但生下来的小豚鼠毛色还是五花八门，从全白到全黑，各种斑点都有，不符合当时刚刚被重新发现的孟德尔遗传定律。赖特猜想，除了基因这个原因，一定还有其他别的原因在起作用，比如小豚鼠在妈妈子宫里的发育环境，可能也会影响毛色。问题是这怎么证明呢？又怎么知道遗传和发育环境这两个原因哪个更重要呢？

在那个被禁止讨论因果的年代，赖特做了一件石破天惊的事情：他发明了一种方法，可以把原因画出来。他称之为路径分析（Path Analysis: 一种统计方法，通过图形化模型量化变量间的因果关系）。大家请记住这张图，这是20世纪科学史上第一张现代意义的因果图，它标志着人类在被相关性困住半个世纪之后，终于又一次勇敢地踏上通往因果的阶梯。它的革命性在哪呢？赖特说，在分析数据之前，你必须先把你对这个世界如何运作的猜想用箭头画出来。

我们再来看一个更简单的例子来理解赖特思想有多强大。赖特想知道一个问题：让一个豚鼠宝宝在妈妈肚子里多待一天，它能够增重多少克？数据告诉他，平均来看，晚一天出生的豚鼠比早一天出生的要重5.66克。所以答案是5.66克吗？赖特说不对，这是一个典型的“相关不等于因果”的问题。因为晚出生的豚鼠通常是因为它们的兄弟姐妹比较少，也就是窝仔数小。兄弟姐妹少意味着营养更加充足，所以它们本来就长得快。因此，这5.66克里混杂了两个原因：第一是真正的因果，即多在子宫里待一天本身带来的生长；第二是相关性干扰（Confounding Factor: 一个同时影响因和果的变量，导致非因果相关性），因为兄弟姐妹少导致长得快和出生晚。

赖特的路径图就是一把手术刀，可以精准地把这两个效应分离开。通过一系列数学方法，赖特用他自己画出来的这张图的结构，从已知的数据中成功计算出那条由妊娠期（P）指向出身体重（X）的箭头的强度，答案是3.34克每天。这个数字才是真正的因果效应。它告诉我们，在排除了其他所有干扰因素之后，单纯多待一天这件事情，能够让豚鼠宝宝增重3.34克。这是人类历史上第一次能够如此清晰地从混杂的相关数据中，蒸馏出纯净的因果量值。一门全新的科学诞生了。

当然，赖特的理论一提出，立刻遭到了皮尔逊学派的猛烈围攻。一位名叫奈尔斯的学者发文痛批说，赖特这是在搞哲学，是伪科学，因果就是100%的相关，别无其他。面对整个学术界的敌意，赖特只是平静地回应：“我从来就没有说过我的方法能够从数据中自动发现因果。我的意思是，如果你把你对于因果的知识——那张图，和你从数据中得到的知识——相关性，结合起来，你就能得到任何一方都无法单独给你的新知识。”这句话直到今天，还是整个因果科学的核心基石。

赖特之钥：升级你的思考系统

好了，这场持续百年的思想战争我们已经走到终点。现在，让我们盘点一下今天带来的三把钥匙，它们能够立即帮你升级你的思考系统。

第一把钥匙是高尔顿的陷阱：警惕回归均值的诱惑。下次你再看到“封面魔咒”、“二年级魔咒”，或者任何盛极而衰的现象，先别急着找原因，问问自己，这会不会只是才能加上回归正常的运气？很多时候，概率就能够解释一切，根本不需要那么多阴谋论和玄学。

第二把钥匙是皮尔逊的禁令：数据本身不会说话。在这个大数据时代，我们比任何时候都更容易陷入皮尔逊的迷思，以为数据里藏着一切答案。但赖特告诉我们，不是的，没有模型，没有假设，没有你对这个世界运作方式的理解，数据就是一堆沉默的数字，你只能看到相关，永远无法触及因果。

第三把钥匙就是赖特的钥匙：勇敢地画出你的假设。科学地讨论因果，第一步不要总是打开Excel或者运行代码，而是拿起一张纸，一支笔，画出你认为的因果路径图。把你的假设、你的偏见清清楚楚都亮出来。只有这样，你才能够让数据开口去验证、去修正或者去推翻你的模型。这才是真正的科学精神。

从弹珠台的随机性，再到相关性的描述，再到因果模型的构建，这不仅仅是统计学的发展史，更是人类理性的又一次伟大自我超越。如果大家想更深入地了解这个领域，还是推荐两本书。第一本是我们今天这个故事的主要蓝本，朱迪亚·珀尔的《为什么：因果关系的新科学》。珀尔是现代因果推理领域的大师，是他让赖特的思想在计算机时代得以复兴和光大。第二本是我们前面提到的丹尼尔·卡尼曼的《思考，快与慢》。这本书是我看过最好的对于心理学描述的一本书，非常推荐感兴趣的朋友可以去阅读一下。将来有机会我也会详细做一下这本书，它会让你对回归均值这个统计思想有更深刻的理解。

结语：看穿数据表象的智慧

再让我们回到最初那个问题：吃巧克力能够帮你拿诺奖吗？学完今天内容，你肯定能够一眼看穿，它们之间可能存在一个共同原因，学术上叫做混杂变量（Confounding Factor: 一个同时影响因和果的变量，导致非因果相关性）。比如一个国家的经济发展水平，富裕的国家科研投入高，教育水平好，更容易出现诺奖得主；同时，富裕国家的人们也有更多闲钱去消费巧克力。巧克力和诺奖只是那个共同原因的两个果，它们之间并没有直接的因果箭头。

所以下次当你再看到“研究发现每天睡够8小时的人更健康”这样的标题时，你脑中应该立即响起警报，然后画一张草图：是睡眠导致了健康，还是健康的人（比如不用熬夜加班）才更容易睡够8小时？或者说，是否存在一个共同原因，比如良好的生活习惯，共同导致了充足睡眠和健康？能够这样去思考，你就掌握了21世纪最重要的思维能力之一。这就是休厄尔·赖特，那位在农业部养了20年豚鼠的安静革命者，留给我们每个人最宝贵的遗产。非常感谢大家观看，我们下期节目再见。