"研究发现，每天吃早饭的孩子成绩更好。" "数据显示，买有机食品的人更长寿。" ——这些听起来都很有道理，但它们犯了统计学里最常见的错误：把相关当成了因果。
🔗 相关关系是什么？
两个变量"相关"，意思是它们的变化趋势有关联：A高时B也高（正相关），或A高时B低（负相关）。
测量相关性的指标叫相关系数（r），取值从-1到+1：
r = +1：完美正相关 | r = 0：无关 | r = -1：完美负相关
通常 |r| > 0.7 认为强相关，|r| > 0.3 认为中度相关
⚡ 因果关系是什么？
因果关系要求：A导致B。不只是它们同时变化，而是A的变化引起了B的变化。建立因果关系，需要满足三个条件：
-
时间先后：A发生在B之前 -
共变：A变化时B也跟着变化 -
排除其他解释：没有第三个变量C同时导致A和B
🎭 三种"假因果"模式
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
😂 史上最荒谬的"相关"案例
统计学家泰勒·维根（Tyler Vigen）专门收集了一批"虚假相关"：
-
美国人均鸡肉消费量与原油进口量高度相关 -
尼古拉斯·凯奇出演的电影数量与溺水人数高度相关 -
缅因州离婚率与人均人造黄油消费量高度相关（r=0.99！）
这些都是真实统计数据，但没人会认为"吃黄油导致离婚"——这叫虚假相关（spurious correlation）。
✅ 要建立因果，怎么办？
证明因果关系的黄金标准：随机对照实验（RCT）把研究对象随机分成两组，一组接受干预（吃早饭），一组不接受（控制组），其他条件完全相同，比较结果。随机分组排除了"家庭背景"这类混淆变量，得出的才是真正的因果结论。
你最近看到的哪条"研究发现"，可能也只是相关而不是因果？欢迎留言一起分析！
👍 点赞 | 📤 转发给爱看"研究表明"的朋友
