卷 VI · 用出来CH 24深度 24/24

你能不能证明这本书有用

最后一章做一件本该做的事：把这本书自己放到审判席上。这不是自谦的姿态——它是这本书唯一诚实的收尾，因为你手上现在有工具来审判它了。

自指七个错觉继续往下走
▷ 先判一次（最后一次）

假设有一份调查数据：读完这本书的人，在因果推理测验上的平均得分，比没读的人高 22 分。这能证明这本书有用吗？

A 能，样本量够大的话B 不能，因为存在选择偏差C 不能，而且这个数字连「读的人变强了」都证明不了D 能，只要控制了学历、职业、数学基础

你已经有全部工具了。这一题不难，但请把它答完整——尤其是 C 比 B 多说了什么。

把这本书画成一张图

先老实画图：

   兴趣与基础（U，测不全）
       ↙                 ↘
  读这本书（X）  ──────→  测验得分（Y）
       ↘                 ↙
        读完了并来做测验（S）

三个问题，全在这张图上：

  1. U → X 和 U → Y：混淆。会读完一本 24 章的因果推断小书的人，本来就对这类东西有兴趣、有基础。他们的测验分本来就该更高。这是第 2 章。
  2. X → S ← Y：对撞机。「读完了并且愿意来做测验」这道门，同时受「读没读」和「学得怎么样」影响。而你只能从进了这道门的人身上收数据。这是第 4、7 章。
  3. 那 22 分里，有多少是书的效应？——这张图下，如果 U 测不全，不可识别。这是第 13 章。

换句话说：这本书对自己的效果，没有资格用这本书教你识破的那种证据来支持。

那要什么样的证据

按这本书的标准，一份合格的证据应该长这样：

  • 随机分配（第 14 章）：随机挑一批人，一半给这本书，一半给一本别的（不是不给——那样测的是「读了任何东西」的效应，安慰剂问题）。
  • 意向性治疗（第 4 章）：分到「读书组」的人不管有没有读完，都算在这一组里。否则「读完」这道门会毁掉一切。
  • 事前登记：先说清楚要测什么、怎么测、样本量多少。否则就是在 24 个指标里挑一个显著的。
  • 报告效应量和 E-value（第 22 章），而不只是 p 值。

这些我都没做，所以：关于这本书有没有用，我提供不了任何证据。我能提供的只有一件事——这一章里所有让你觉得「有道理」的推理，都是可以被检验、可以被反驳的。而这本身就是它想教的东西。

◆ 这本书唯一的自我辩护

你刚刚用第 2、4、7、13、14 章的内容，拆解了一个关于这本书自己的因果主张。

如果你能做到这一点，那这本书至少对你做到了它承诺的事。而这句话的证据是你刚才那个动作，不是任何统计数字。

七个错觉：一张自查表

把 23 章里每一个「✗ 这个直觉是错的」收成一张表。这是这本书的全部行李。

错觉纠正章
数据够多、方法够先进就能看出因果因果结论所需的信息不在数据里，必须以假设的形式带进来1
混淆是「不准」，样本大了就好混淆造成的是偏差，完全不随 n 缩小2
分组看总是更准该不该分组取决于那个变量在图上的位置，不是细不细3
随机抽样就没有选择偏差你研究的总体本身可能已被一道和结果相关的门筛过4
关系可以反过来读相关对称，结构不对称；赋值不是等式5
控制一个变量总让关系更干净控制对撞机会凭空造出关系6、7
「和处理相关、和结果相关」= 混淆这条判据会把对撞机和 M-bias 误判成混淆7、11
多控制几个变量最多是多余多一个能把 +4.96 变成 +3.31，或者 −4.8110、12
R²／显著性／交叉验证能判断因果模型好坏它们全都衡量预测，和因果无关12
测不到混淆就一定没救前门、工具、DiD、断点都在这个前提下工作；但也确实存在被证明不可识别的图13
随机分组后不平衡 = 随机化失败不平衡是必然的；因此重新分组会破坏随机性14
个体效应不可知，所以因果推断是猜个体不可知，平均可估——这是两件事15
倾向得分匹配比回归「更因果」识别假设完全相同；漂亮的平衡表只覆盖你测了的变量16
双重稳健／因果 ML 能减轻混淆的担忧它们改进的是估计，不碰识别17
回归系数 =「保持其他不变时」的效果它是「减掉其他变量的影子后」的斜率18
工具变量挑「和 Y 相关性最弱」的排他性是结构条件，不能从数据里挑19
处理前平行 = 平行趋势成立只能证伪不能证实；Ashenfelter dip 是标准反例20
分数是混淆，控制掉就行断点设计里正值性完全失效，控制掉就什么都不剩了21
「我们控制了 N 个变量」让人放心数量不含信息；该报的是 E-value22
模型够大就能学到因果不同结构可以产生相同分布；这是信息限制，不是工程限制23

七句话：拿到任何一个「A 导致 B」时问

继续往下走

这本书是一个入口，不是一个终点。下面按方向给路线，标出哪些是共识、哪些还在吵。

先读哪本书

书适合谁说明
The Book of Why（《为什么》，Pearl & Mackenzie, 2018）接着这本书读的第一本科普向，讲的是同一套图语言，还有大量历史。观点有明显倾向性（对统计学传统颇有微词），读的时候留意
Causal Inference: The Mixtape（Cunningham, 2021）想动手的人免费在线，配 R/Stata/Python 代码，卷 V 那几种方法讲得最好
Mostly Harmless Econometrics（Angrist & Pischke, 2009）喜欢经济学口味的IV / DiD / RDD 的经典，风格幽默。还有更浅的 Mastering 'Metrics
Causal Inference: What If（Hernán & Robins）想要系统性的人免费 PDF，流行病学口味，潜在结果和图两套语言都讲，IPW 和双重稳健讲得最透
Causality（Pearl, 2009, 2nd ed.）要证明的人do-演算和完备性定理的原始出处。不好读，但第 3 章值得啃
Elements of Causal Inference（Peters, Janzing & Schölkopf, 2017）做机器学习的人免费 PDF。因果发现、不变性、和 ML 的接口，第 23 章那条线的正规版本

动手的工具

  • DAGitty（dagitty.net）——画图、自动求调整集、列出可检验蕴涵。网页版五分钟上手，也有 R 包。这是最该先装的一个。
  • DoWhy（Python，微软）——把「建模 → 识别 → 估计 → 反驳」四步做成 API，最后那步（refutation）特别值得用：它会自动跑安慰剂检验、加随机混淆等一系列稳健性测试。
  • EconML（Python，微软）／DoubleML（Python/R）——第 17 章那套双重机器学习和异质效应估计。
  • CausalPy／CausalImpact——面向时间序列的因果推断（合成控制、贝叶斯结构时序）。做「某次上线的影响」这类分析很顺手。
  • MatchIt（R）——匹配的事实标准，含各种匹配方法和平衡诊断图。
  • did（R，Callaway & Sant'Anna）——第 20 章说的交错处理 DiD 的修正估计量。

动手的项目

三个从易到难，都可以用你手边的数据做：

  1. 给你正在做的一个分析画一张 DAG，然后用 DAGitty 求调整集，对比你实际控制的变量清单。这一步经常当场发现问题。
  2. 在你的产品里找一个断点（第 21 章那张清单），跑一次 RDD，包括密度检验和带宽稳健性。
  3. 把一次已有的 A/B 测试当成「标准答案」，然后假装没有它，只用观察数据 + 后门调整去估同一个效应，看差多少。这是检验你的观察性方法可不可信的最好办法，业界叫「用实验校准观察性估计」。

还在吵的地方（这些不是共识）

  • 图 vs 潜在结果：Pearl 认为图是更根本的语言，Rubin 传统的一些学者认为图容易掩盖「处理是否良定义」这类问题。今天的实践大多两边都用，本书也是。
  • M-bias 有多严重：第 11 章提过。有人认为它需要很特殊的参数配置才会造成实质偏差，因此「控制所有前置变量」仍是稳妥的默认策略；有人不同意。
  • 因果发现（从数据学结构）能不能用：LiNGAM、PC、GES 这些算法在特定假设下有理论保证，但对假设违反很敏感。把它们当探索工具可以，当结论不行。
  • LLM 在因果推理上到底会什么：2023 年以来这个方向论文很多，结论分歧很大。区分「复述因果知识」和「从数据识别结构」这条线，是读这些论文时最有用的一把尺。

相邻的题目

  • 强化学习：它天生就在做干预——每个 action 都是一次 do。离线强化学习（只有历史数据）面对的正是这本书的全部问题。见书架上的《打分》。
  • 信息论：第 8 章的 d-分离、第 23 章的 Goodhart，在信息论里有另一套讲法。见《意外》。
  • 实验设计：随机化只是起点，还有区组、因子设计、序贯试验、多臂老虎机。
  • 决策论与价值：算出了因果效应之后，怎么决定做不做？这是另一门学问的开头。
▸ 在现实里：明天就能用的三件事
  1. 看到任何一个数字，先问它是「看」来的还是「拨」来的。这一个问题就能过滤掉大半。
  2. 写分析代码之前，先花五分钟画一张图。不用画得好看，纸上四五个圈几支箭头就够。你会发现一半的分析在这一步就被判定为「答不了」——而这五分钟省下的是三天。
  3. 看到控制变量清单，逐条问「这个是处理之前还是之后」。之后的一律拿掉。这一条规则简单粗暴，但它挡掉的是第 7、11、12 章那一整类灾难。
✗ 这个直觉是错的（最后一个）
学会了因果推断，我就能判断哪些结论是真的了。 你学会的是把「我觉得」变成「我假设 X、Y、Z，在这些假设下结论是……」。假设仍然可能错，但现在它们写在纸上，可以被别人指着反驳。

这听起来像是降级，其实是升级。一个可以被反驳的结论，比一个无法被反驳的正确直觉有用得多——因为前者可以积累，后者只能靠人传人。

这也是这门学问最大的贡献，比任何一个具体的估计量都大：它把一场关于数字的争吵，变成了一场关于结构的争吵。而结构是可以画出来、指着吵、并且吵出结果的。

◇ 判词（最后一次）

C不能，而且这个数字连「读的人变强了」都证明不了。

B 只指出了混淆和选择偏差。C 多说的那一句是：那 22 分甚至不能说明「读了的人比自己读之前变强了」——因为你连他们读之前是多少分都不知道，而愿意读完并来做测验的人，本来就是本来就会得高分的那批人（对撞机 + 混淆双重作用）。

A 「样本量够大」——第七次，也是最后一次：偏差不随 n 缩小。如果这本书只让你记住一句话，我希望是这一句。 B 对，但停在了「不能」。而这本书教的不是怎么说「不能」，是怎么说清楚缺什么、以及补上什么就能——本章开头那四条就是补法。 D 「控制学历、职业、数学基础」——这三个是能想到的混淆，但「对因果推断本来就感兴趣」这个变量测不到，而它恰恰是最强的那个。而且这一条完全没处理对撞机 S。控制清单再长，也堵不上一扇你没看见的门。

这一章的一句话

这本书没法证明自己有用；但你刚刚用它拆了它自己，而这个动作是它唯一想教的东西。

最后

整本书可以压成一个动作和一个问句。

动作是那一刀：拨动 X，就是把所有指向 X 的箭头剪断。

问句是：这个数字，是看来的，还是拨来的？

剩下的 24 章，都是在教你怎么在剪不动的时候，把那一刀算出来。