假性因果
它是什么？
假性因果（False Cause，又称 Post Hoc Ergo Propter Hoc，拉丁语「在此之后，因此由此」）是指仅仅因为事件A在事件B之前发生，或A与B同时出现，就认定A导致了B，而没有考察两者之间是否存在真实的因果机制。
相关性与因果性的混淆是统计学中最常见的错误之一。两件事可能同时变化，原因可能是：共同的第三个原因（混杂变量）、纯粹的巧合、或反向因果（B导致了A，而非A导致B）。
区分相关性和因果性需要：控制混杂变量的实验设计（如随机对照实验）、对因果机制的理论解释，以及时间顺序的确认（原因必须先于结果）。
为什么相关不等于因果？
经典虚假相关：冰淇淋销量与溺水死亡人数高度相关——因为两者都与夏天（第三变量）相关，而非冰淇淋导致溺水。
确认因果关系需要：实验控制（排除混杂变量）、机制解释（为什么A会导致B？）、时间顺序、剂量-反应关系（更多的A→更多的B）等多重证据。
为什么我们容易混淆相关与因果？
大脑天生追求因果解释，将相关性解读为因果是认知的默认模式。
因果叙事的自然性
大脑倾向于将事件组织成「A导致B」的叙事结构，这让世界看起来更有秩序、更可预测——即使实际的因果关系并不存在。
时间顺序的误导
A发生在B之前，这一时间顺序符合因果关系的必要条件（原因在结果前），大脑因此容易将时间顺序直接升级为因果关系。
混杂变量的不可见性
第三个变量（如季节、社会经济地位等）往往不在直接观察范围内，使「A→B」看起来比「C→A且C→B」更简单、更自然。
确认偏误的强化
一旦形成「A导致B」的信念，我们会优先注意支持这一因果关系的新案例，加速错误信念的固化。
它出现在哪里？
假性因果在民间医疗信仰、政策评估和日常迷信中极为普遍。
口罩与疾病
仪式与结果
运动员的「幸运物」——因为某次重要比赛前戴了某件饰品且赢了，此后每次重要比赛都必须戴，将结果归因于饰品而非自身能力和准备。
政策与结果的时间关系
某政策实施后经济数据改善，便将改善归因于该政策，而未控制同期的其他经济因素（如国际经济环境、技术进步等）。
谬误与理性回应的对比
同一个场景下，错误回应与理性回应的差别，往往就体现在是否正面处理原始论点。
相关性不等于因果性。这是统计学最重要的句子，也是最常被遗忘的句子。
如何识别假性因果？
留意这些语言模式和结构特征，能帮助你更快识别这一类论证偏移。
- 以时间顺序代替因果「A之后发生了B」被直接解读为「A导致了B」，没有提供因果机制的解释。「自从……之后，……就……了」
- 忽视混杂变量观察到A与B的相关性时，没有考察是否存在同时影响A和B的第三个变量。「每次X高的时候，Y也高，所以X导致Y」
- 缺乏控制条件在没有控制其他变量的情况下，仅凭自然观察（而非实验）就得出因果结论。「我观察到……之后……就……」（没有对照组）
如何有效回应
有效回应的关键，不是立刻反击，而是把讨论重新拉回论点与证据本身。
- 要求因果机制的解释要求对方解释A如何在机制上导致B，而非只是时间上A在B之前。「A确实发生在B之前，但能解释一下A通过什么机制导致了B吗？」
- 提出替代解释提出一个或多个可能的混杂变量，说明A和B的相关性可能有其他原因。「除了A，还有没有其他可能同时影响B的因素？比如……」
- 要求控制实验指出确认因果关系需要控制其他变量的实验设计，而非自然观察。「要确认A确实导致B，我们需要一个排除了其他因素的对照实验，而不是仅凭观察。」