[](#0-%E5%A4%A7%E5%89%8D%E6%8F%90-%E5%81%87%E8%AE%BE "0.大前提(假设)")0.大前提(假设)

1.通过观察数据，我们只能得到两者的相关性，不可能得到因果性
2.若AB之间存在线性相关性，那么我们认为AB之间至少存在一条因果通路。
X-Y表示XY之间存在因果关系，但不确定谁是因，谁是果。
一条AB之间的因果通路即 A-B1,B1-B2,…,B2-Bn,Bn-B。

[](#1-%E5%9B%A0%E6%9E%9C%E6%80%A7%EF%BC%88%E5%9B%A0%E6%9E%9C%E5%85%B3%E7%B3%BB%EF%BC%89%E7%9A%84%E7%94%B1%E6%9D%A5 "1. 因果性（因果关系）的由来")1. 因果性（因果关系）的由来

如何建立一个新的因果关系，方法一共有三种：
1.归纳推理法
2.演绎推理（因果性的传递性）
3.相关性的因果通路推导

[](#1-1-%E5%BD%92%E7%BA%B3%E6%8E%A8%E7%90%86%E6%B3%95 "1.1 归纳推理法")1.1 归纳推理法

[](#1-1-1-%E5%81%87%E8%AF%B4%E6%BC%94%E7%BB%8E "1.1.1 假说演绎")1.1.1 假说演绎

[](#1-1-1-1-%E6%8F%90%E5%87%BA%E5%81%87%E8%AF%B4 "1.1.1.1 提出假说")1.1.1.1 提出假说

首先我们看到了一个结果。根据结果，我们会根据目前的知识来给出一个或几个假想的条件。当这个或这些条件发生的时候，这个结果必定发生。如果当前的知识无法反驳这个假想的条件，那么我们认为这个条件成立。我们称这个假想的条件为这个结果的原因。

[](#1-1-1-2-%E6%BC%94%E7%BB%8E "1.1.1.2 演绎")1.1.1.2 演绎

把假说当成是已知的知识，设计实验验证。如果实验中所有数据均满足原因数据与结果数据呈线性相关。那么说我们说数据支持假说。

举个例子：

1
2
3
4
5
6
7
8
9
10
11
12

一次地震灾害，死伤很多。
我们首先想到 “地震是造成死伤的原因”
但是“所有地震都造成死伤了吗？”不是，所以我们的原因不充分
于是变成：“强烈的地震是造成死伤的原因”
但是“所有强烈的地震都造成死伤了吗？”还不是，所以我们的原因还不充分
于是变成：“在人口密度较大的地方发生强烈的地震是造成死伤的原因”
但是“所有在人口密度较大的地方发生强烈的地震都造成死伤了吗？”貌似还不是，所以我们的原因还不充分
于是变成：“在人口密度较大的而且建筑不够结实的地方发生强烈的地震是造成死伤的原因”
再想，所有在人口密度较大的而且建筑不够结实的地方发生强烈的地震都造成死伤了吗？
如果不是继续添加条件直到满足我们知道的所有数据，

如果满足的话，那么我们说“在人口密度较大的而且建筑不够结实的地方发生强烈的地震”是“造成死伤”的原因

再举一个例子：

1
2
3
4
5
6

一次地震灾害，由于灾情严重，去了很多救护车，也是死了很多人。
只是从数据上看，我们会发现发生灾情之后，救护车数量与死人的数量呈正相关性（地震严重，所以救护车多，死伤也多）
那么我们可以首先提出假设：救护车是导致死伤的原因。
然后设计实验：一次小型灾害去了特别多救护车，及时的避免了死伤。
这个实验就说明我们提出的假设是有问题的，不成立的。
所以救护车数量与死人的数量不构成因果关系。

注意：导致B的原因A是一个条件的集合{A}。在条件集合{A}下，B发生的概率非常大（目前没有观测到不出现）。
其中集合A中对B相关性较强的几个因素，可以是主要原因，我们生活中，经常以主要原因代替整体说是B的原因。

[](#1-1-2-%E5%85%88%E5%BD%92%E7%BA%B3%E6%8E%A8%E7%90%86 "1.1.2 先归纳推理")1.1.2 先归纳推理

现根据数据提出假说，再用数据相关性验证。

[](#1-2-%E6%BC%94%E7%BB%8E%E6%8E%A8%E7%90%86%E6%B3%95%EF%BC%88%E5%9B%A0%E6%9E%9C%E6%80%A7%E7%9A%84%E4%BC%A0%E9%80%92%E6%80%A7%EF%BC%89 "1.2 演绎推理法（因果性的传递性）")1.2 演绎推理法（因果性的传递性）

因为A必定出现B，
因为B必定出现C，
所以A必定出现C。

经典的三段式。
举个例子

1
2
3

1.人都会死
2.苏格拉底是人
3.苏格拉底会死

[](#1-3-%E7%9B%B8%E5%85%B3%E6%80%A7%E6%8E%A8%E5%AF%BC "1.3 相关性推导")1.3 相关性推导

由于假设2：

1
2
3

2.若AB之间存在线性相关性，那么我们认为AB之间至少存在一条因果通路。
X-Y表示XY之间存在因果关系，但不确定谁是因，谁是果。
一条AB之间的因果通路即 A-B1,B1-B2,...,B2-Bn,Bn-B。

首先定义相关性通路:
X↔Y表示XY之间存在相关性。
一条AB之间的相关性通路即 A↔B1,B1↔B2,…,B2↔Bn,Bn↔B。

那么如果我们确定AB之间有且仅有一条相关性通路,我们认为这条相关性通路是因果通路。

举一个例子

1
2
3
4
5

假设我手滑了跟手机摔坏之间
只有，手滑了与手机掉落有相关性，手机掉落与手机摔坏有相关性这一条相关性通路。
那么如果手滑与手机帅坏之间确实存在相关性的话。
我们认为：手滑了与手机掉落有相关性，手机掉落与手机摔坏有相关性这一条相关性通路也是因果通路。
即：手滑了与手机掉落之间有因果性，手机掉落与手机摔坏之间有因果性。

再举一个例子：

1
2
3
4
5
6

假设救护车数量与死亡人数之间有相关性
而救护车数量与死亡人数之间只有：救护车数量与灾情严重性，灾情严重性与死亡人数这样的相关性通路。
那么如果我们发现了救护车数量与死亡人数之间有相关性
我们认为：救护车数量与灾情严重性，灾情严重性与死亡人数这样的相关性通路也是因果通路。
即：救护车数量与灾情严重性有因果性，灾情严重性与死亡人数这样的相关性通路。
（经过分析，这里灾情严重性是因，救护车数量是果；灾情严重性是因，死亡人数是果）

注意：这个方法一定是估计方法，因为万物之间皆有相关性。这个方法是忽略了较小的相关性因素的一种估计因果性的方法。

[](#2-%E7%9B%B8%E5%85%B3%E6%80%A7%E7%9A%84%E7%94%B1%E6%9D%A5 "2.相关性的由来")2.相关性的由来

根据数据说话。
只要有数据，就可以分析其相关性。
所以：相关性与知识无关，是自然界本身带有的属性。

[](#%E6%80%BB%E7%BB%93 "总结")总结

1.一种给出的方法可以判断AB之间存在因果性，至于谁是因，谁是果。需要根据时序等信息判断。
2.因果性是人们为了研究方便创造出来的，不是自然界本身就有的。
3.因果性是人们根据现有数据创造的，如果哪天出现新的不符合这个因果性的数据，这个因果性就被推翻了。
4.因果性是通过相关性来验证的。所以我们认为有因果性必有相关性。
5.自然界本身并不存在因果性！没有任何一条因果性，可以被证明完全正确！
自然界本身并不存在因果性！没有任何一条因果性，可以被证明完全正确！
自然界本身并不存在因果性！没有任何一条因果性，可以被证明完全正确！
6.所以，我之前想的：是不是知识完备的情况下，我们有之前所有的数据，就可以准确地预测未来？
也就是：是不是未来都是固定的。
答案是：不是！因为这些知识很多都是因果性的总结，并不也永不可能是绝对正确的。
7.人类只有五种接受信息的方式：视觉，听觉，触觉，味觉，嗅觉。（知觉）
这五种知觉无法帮助人类获取到一个完备的知识。
8.因果性的意义是帮助人们通过控制因来控制果。
9.神经网络是直接通过相关性来得到结果。
10.我认为发展趋势可能会慢慢过渡到，相关性直接到结果。因为这样可以去掉因果性这个中间变量带来的误差。

-------------本文结束感谢您的阅读-------------

本文作者： Shuyan
本文链接： http://dongshuyan.com/2019/06/21/result_correlatoin/
版权声明： 本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。转载请注明出处！