相关性分析（3）：相关 ≠ 因果！为什么误把相关当因果很危险？

统计

在前两篇文章中，我们讲了什么是相关性、如何正确解读 r。但无论理解得多好，都必须记住一个统计学中最重要、也最容易被忽视的原则——相关不代表因果（Correlation ≠ Causation）。

很多数据看起来“同时变化”，但背后的原因可能完全不同。如果不区分因果与相关，就可能得出完全错误的政策结论、商业判断，甚至研究结论。

本篇我们要讲的是：为什么高度相关也可能毫无因果关系？为什么必须用回归控制其他变量？又为什么实证研究永远不能停留在“相关”层面？

【一】为什么高度相关也可能完全没有因果？

皮尔逊相关系数 r 衡量的是“两个变量的同步变动”。但两个变量可能因为各种原因同时变化，而其中“因果机制”可能根本不存在。

或者说：

相关是一种“现象”，因果是一种“解释”。

要证明因果，需要机制、理论、时间顺序、控制变量甚至自然实验；而相关，只需要两个变量“看起来一起联动”。

下面用几个经典例子，带你真正理解这件事。

【二】案例 1：冰激凌销量与溺水人数——看似相关，其实没有因果

在很多统计教材和新闻中都会出现这个例子：夏天冰激凌销量增加，溺水人数也增加；两个变量的相关系数甚至可能超过0.7。

是不是吃冰激凌导致溺水？当然不是。

真正的“幕后推手”是——温度。

天气越热 → 人们越喜欢吃冰激凌
天气越热 → 更多人去海边、湖边游泳，事故风险更高

温度是一个隐藏变量（lurking variable），同时影响两个结果，使它们看起来有强相关。

✔ 这是典型的“共同原因（common cause）”情形。

【三】案例 2：医护人数与人口老龄化——看似因果，方向却反了

一个地区医护人数越多，老年人口比例越高——这是在多个国家都观测到的现象。

但你不能说：

“更多医生导致老人更多。”

正确解释是：

人口老龄化 → 医疗需求增加
医疗需求增加 → 医护资源扩张

所以相关方向是反的：

老龄化导致医护人数增加，而不是医护人数导致老龄人口增加。

✔ 这是“因果方向反转（reverse causality）”的典型案例。在回归分析中，这类错判非常常见。

【四】案例 3：GDP与手机数量——关系强，但并无直接因果

2000—2020年的数据几乎可以得出：

GDP越高的国家，手机数量越多。相关系数甚至可能超过 0.9。

但你不能说：

“手机数量越多 → GDP越高。”

真正的路径是：

经济发展水平提高 → 家庭可支配收入增加 → 手机普及率上升

这类变量属于**发展水平共同演进的结果。**他们“看起来”同步增减，但并无直接因果链。

✔ 这是“共同趋势（shared trend）”造成的假相关（spurious correlation）。这种误判在时间序列研究中特别危险。

【五】中介因素、隐藏变量如何让“假相关”看起来像“真关系”？

在社会科学研究中，几乎每一个变量都受到其他因素影响。如果不加控制，相关性很容易出现偏差。

（1）隐藏变量（lurking variables）。影响两个变量，使它们看上去相关，但实际上是被第三方驱动。

例如：

城市化率既影响家庭收入，也影响教育支出
城市规模既影响工资，也影响创新产出

（2）中介变量（mediators）。A影响B，但A并不是直接原因，而是通过C起作用。

例如：

收入 → 生活自主性 ↑ → 幸福感 ↑
数字经济发展 → 企业信息透明度 ↑ → 创新投入 ↑

如果不考虑中介，相关性会给你“强关系的错觉”。

（3）遗漏变量（omitted variables）。回归中未包含某个关键变量，会导致相关性强烈偏误，是实证研究的常见大坑。

【六】为什么必须用回归分析控制变量？

在现实研究中，要判断“是否有因果”，不能停留在相关层面。

回归分析的核心目的之一，就是：

将不可控的混合影响分离开，只看“净效应”。

例如：

控制年龄后，医护人数与老龄化的关系会消失
控制温度后，溺水与冰激凌的关系会消失
控制收入后，手机与GDP的相关性大幅降低

这说明：

相关不是终点，而是进入因果推断的起点。

没有控制变量，就无法解释“真正的因果机制”。

【七】小结：相关可以提示线索，但永远不能代表因果

我们总结一下：

相关只说明“同时变化”，不说明“谁影响谁”。
很多强相关都是隐藏变量、共同原因、趋势演进造成的。
因果方向可能反转。
遗漏变量会制造虚假的强相关。
要进行因果分析，必须用回归、面板、工具变量等方法。

理解这一点，你才能真正看懂数据，也能避免论文与研究中最常出现的逻辑误区。