第四期回顾：思维胜于数据——从“相关”到“因果”

【因果关系与预测的本质区分】 1、相关不等于因果的核心命题 大量数据只能揭示变量间的相关性，无法自动识别因果关系  许多数据科学家认为“数据足够多就能解决问题”，但该观点被质疑忽视了因果机制的重要性  即便统计上发现强关联，若无因果逻辑支撑，将其用于政策制定可能导致错误后果 2、预测的两类情境划分 一类预测不影响被预测对象的行为，可固化为社会规律（如市中心地价高于外围的地租梯度理论）  另一类预测一旦发布，就会引发个体策略调整，导致原预测失效，体现人的主观能动性与不确定性 【因果推断的三大层次与do算子理论】 1、因果推理的三个层级框架 第一层：观察（Seeing）——基于数据相关性的被动观察，如天气预报与气压计上升的关系  第二层：干预（Doing）——主动施加影响后的结果预测，对应“do算子”（do-operator），如强制服药实验  第三层：反事实（Counterfactuals）——设想“若未发生某事”的情形，如“若Joy没吃药是否会存活” 2、do算子的本质与作用 “do算子”不是物理操纵本身，而是对因果图（DAG）中箭头路径的切断操作  举例：重症患者用药量高且死亡率高，仅观察得P(死亡|用药)，但这受病情严重程度混淆  使用do(用药=高)表示强制所有人用高剂量药，此时病情不再通过用药影响死亡，从而隔离真实药效 3、控制变量与do算子的区别 控制变量是统计方法，仅调整观测分布，不能消除选择偏差  do算子是因果操作，模拟随机干预，能切断所有后门路径，接近理想实验环境  随机对照试验（RCT）即现实中最接近do算子的操作方式 【工具变量与不可操纵变量的因果研究价值】 1、性别等不可操纵变量的研究意义 虽无法直接改变个体性别，但研究性别对工资差距的影响仍具政策价值  可通过工具变量法（如双胞胎设计、出生结构外生变化）识别因果效应  Pearl认为因果机制独立于人类是否能够操纵变量，反对“无操纵即无因果”的狭隘观点 2、外生冲击作为自然实验 如研究逆温层对污染的影响，利用大气条件的外生性建立因果链  工具变量（Instrumental Variable）的核心在于其仅通过X影响Y，无其他路径，从而分离出纯净因果路径 【对社会科学规律的哲学反思】 1、可重复规律与人类不确定性的张力 社会科学能发现的部分规律，是那些不受预测影响的稳定结构（如运输成本决定的地价梯度）  但涉及人类认知、预期与决策的领域，存在卢卡斯批判所指出的问题：政策改变行为函数  因此，任何基于历史数据建模的宏观预测，在面对主动适应性主体时都具有内在局限 2、因果识别的方法论共识 观察数据虽无法直接得出do算子结论，但在合理假设下（如排他性、外生性）可通过工具变量、断点回归等设计逼近因果  所有非实验因果识别方法，本质上都是在模仿某种形式的干预