错误因果谬误
解释错误因果如何从时间先后、相关性或单次变化过度推出因果关系，并区分 post hoc、共同原因、反向因果与合理因果证据。
[!info] related notes
- 所属 MOC: logical-fallacies-moc
- 前置概念: deductive-and-inductive-reasoning
- 并列概念:
- 易混淆概念:
- 关系笔记:
错误因果谬误
一句话定义
错误因果谬误是证据最多只能说明“两个事件一起变化”或“A 发生在 B 之前”，却直接跳到“A 导致了 B”。
它不是说因果推断永远不可能，而是提醒：因果结论通常比相关或时间顺序需要更多证据。
最常见的结构
A 发生
↓
随后 B 发生
∴ A 导致 B或者：
A 与 B 经常一起出现
∴ A 导致 B两种推理都缺了一步：为什么不是巧合、共同原因、反向因果，或其他变量造成的？
Post hoc：先发生不等于导致
拉丁语 post hoc ergo propter hoc 大意是：
在它之后，所以是因为它。
例如：
我昨天更新了操作系统，今天 Wi-Fi 断了一次，所以一定是更新导致的。
更新时间确实在故障之前，但这只能满足因果关系的一个常见必要条件——原因通常先于结果。它远远不足以证明更新就是原因。
还可能是：
- 路由器故障；
- ISP 波动；
- 驱动状态异常；
- 纯粹巧合。
相关不等于因果
假设观察到：
冰淇淋销量越高，溺水事件也越多。
直接结论：
吃冰淇淋导致溺水。
显然可疑。更合理的解释可能是共同原因：
炎热天气
↙ ↘
冰淇淋销量增加 游泳人数增加
↓
溺水风险增加这里 A 和 B 相关，但真正重要的是第三个变量 C。
反向因果
即使 A 和 B 真有因果关系，方向也可能判断反了。
例如观察到：
使用更多医疗服务的人健康状况更差。
不能直接推出：
医疗服务使人更不健康。
也可能是：
健康状况更差
↓
需要更多医疗服务所以看到相关关系时，至少检查：
A → B ?
B → A ?
C → A 且 C → B ?
A ↔ B 相互影响 ?
只是巧合 ?技术场景：改了一行代码，指标好了
我把缓存 TTL 从 5 分钟改成 10 分钟，随后接口 P95 从 800ms 降到 500ms，所以 TTL 调整让性能提升了 37.5%。
这可能是真的，但仅凭前后对比还不够。
同一时间也许还有：
- 流量下降；
- 数据库负载降低；
- CDN 命中率变化；
- 新版本其他改动；
- 样本窗口不同。
更可靠的方法是控制其他变量、比较基线、重复观察，必要时做 A/B 或实验设计。
这也是为什么“变更之后指标改善”首先只能证明时间关联，不是自动证明因果。
AI 回答里特别常见的版本
AI 很容易把：
用户采用了方案 X，之后问题缓解。
写成：
方案 X 解决了问题。
这中间可能缺少：
- 对照；
- 复现；
- 替代解释排除；
- 机制证据。
因此检查 AI 的因果句时，要特别留意“导致、造成、因为、因此解决”等词是否比证据更强。
什么情况不是错误因果
不能反过来把所有因果判断都骂成“相关不等于因果”。
因果推断可以获得很强的支持，例如：
- 随机对照实验；
- 可靠的自然实验；
- 清晰且可验证的机制；
- 剂量—反应关系；
- 多组独立证据一致；
- 预测在干预后按预期改变；
- 替代解释被系统排除。
现实世界很多因果知识都不是纯演绎证明，而是多种证据逐渐收敛。
所以正确问题不是：
“这是不是百分之百证明了因果？”
而是：
“这些证据把因果解释支持到了什么程度？还有哪些竞争解释？”
如何回应
不要只说：
“相关不等于因果。”
更有用的是指出缺失环节：
“现在我们只知道 A 先于 B / A 与 B 相关。要推出 A 导致 B，还需要排除共同原因、反向因果和其他同期变化。你有什么证据能区分这些解释？”
使用场景
- 健康与营养信息；
- 新闻中的统计关联；
- 产品 A/B 与指标解释；
- 软件性能优化复盘；
- 宏观经济讨论；
- 个人经验总结；
- AI 对用户反馈的归因。
一句记忆
“之后发生”只告诉你时间顺序；“一起发生”只告诉你相关。因果还需要解释为什么。
快速自测
公司换了新 Logo 后，季度营收上涨 20%，所以新 Logo 带来了营收增长。
问题不是新 Logo 绝不可能产生影响，而是当前证据只给出了时间先后。至少还要检查市场变化、促销、产品发布、季节性和客户增长等变量。
来源
- HKU Critical Thinking Web, Fallacies and biases: https://philosophy.hku.hk/think/
- 相关应用：Intervention Outcome 中的 Association vs Causation
Digital Biome