一、因果思维入门：从相关到因果的认知跃迁

大家好，我是这门课的主讲人。在数据科学领域摸爬滚打了十几年，我越来越觉得——因果推断，才是数据分析的终极形态。

你可能听过这句话：「相关不意味着因果」。但说实话，真正理解这句话的人，并不多。我见过太多项目，把相关性当因果，结果上线后效果惨不忍睹。嗯，今天我们就来聊聊，到底什么是因果关系，为什么它这么重要。

1.1 什么是因果关系？

先问个问题：因果关系到底是什么？

简单说，就是「如果改变X，Y会跟着变」。比如：

• 吃药 → 病好了（药物是原因）
• 下雨 → 地湿了（雨是原因）
• 加班 → 工资涨了（加班是原因）

这里面有个关键点：干预。你主动改变X，观察Y的变化，这才是因果。光看数据本身，你永远分不清谁是因谁是果。

我个人习惯用一个比喻：相关关系就像两个人总是一起出现，但因果关系才是「一个人推了另一个人一把」。你想想看，这两者能一样吗？

1.2 相关关系 vs 因果关系

相关关系，说白了就是「两个变量一起变化」。但一起变化，不代表一个导致另一个。

我给大家列个经典例子：

现象	相关关系	因果关系？
冰淇淋销量 ↑，溺水人数 ↑	正相关	❌ 共同原因：夏天高温
火警次数 ↑，消防车数量 ↑	正相关	❌ 反向因果：火灾导致消防车出动
教育年限 ↑，收入 ↑	正相关	✅ 有因果，但需控制混杂

我在项目中遇到过一件事：某电商平台发现「用户浏览时长」和「购买金额」高度正相关。团队立刻决定优化页面让用户多停留。结果呢？停留时间上去了，购买金额反而没怎么变。

为什么会这样？因为浏览时长和购买金额的共同原因是「用户兴趣」。对商品感兴趣的人，既愿意多逛，也愿意多买。但强行让不感兴趣的人多逛，没用。

1.3 为什么因果发现很重要？

你可能要问：我做个数据分析，知道相关就够了，干嘛非要搞因果？

原因有三：

1. 决策需要因果——你想知道「做A会不会导致B」，相关关系给不了答案。比如：投放广告 → 销量提升？还是销量好的时候才投广告？
2. 解释需要因果——老板问你「为什么这个月收入下降了」，你不能说「因为和天气相关」，你得给出可解释的因果链条。
3. 预测需要因果——如果环境变了，相关关系可能失效。但因果关系更稳定。比如：疫情期间的线上购物习惯，疫情后可能不适用。

说白了，因果发现就是帮你从「看数据」升级到「懂数据」。我见过太多数据分析师，做了三年还在跑报表，就是因为没搞懂因果。你想想看，如果只会看相关，那和Excel自动生成图表有什么区别？

1.4 课程整体框架介绍

这门课一共30章，我把它分成四个模块。下面这张图，就是整个课程的知识体系：

四个模块的设计思路是这样的：

• 模块一（第1-5章）：打好地基。搞懂因果图、混杂、后门准则这些核心概念。我建议你花时间把这块吃透，后面会轻松很多。
• 模块二（第6-15章）：经典方法。PC算法、GES、函数因果模型——这些是因果发现的「老手艺」，现在很多工业界项目还在用。
• 模块三（第16-25章）：现代方法。深度学习、因果表征、强化学习——这些是近五年的前沿方向，也是我目前主要的研究领域。
• 模块四（第26-30章）：实战落地。工具使用、项目实战、评估验证——学了不用等于白学，这部分我会带着你完整跑通一个因果发现项目。

好了，第一章就到这里。记住一句话：相关是线索，因果是真相。接下来的29章，我会带你一步步揭开因果的面纱。

---

公众号:蓝海资料掘金营，微信deep3321