相关性还是因果
两件事一起变，不代表一件推动了另一件
我认为 [A] 导致了 [B]，依据是：[观察到的相关性或数据]。请证伪这个因果判断：1）列出至少 3 个能同时解释 A 与 B 的第三变量；2）指出反向因果的可能，也就是 B 导致 A 的路径；3）说明这个相关性在什么条件下会消失；4）给出一个能区分因果与相关的检验方法，以及需要哪些数据；5）如果只能拿到现有数据，我的结论最多能说到什么程度。不要先肯定我的判断。
使用建议
先看它列出的第三变量，再回头查自己的解释里有没有同一个漏洞。
适合什么场景
- 手上有一条干净得可疑的相关性（两条曲线几乎重合），而你正准备据此投钱或改策略时。
- 观察性数据支持你的直觉，但你说不出机制——讲不清「为什么」的时候，通常就是第三变量在起作用。
不适合的场景
- 已经做过随机对照实验、有明确的干预组和对照组——这时再讨论「也许只是相关」是浪费，该讨论的是效应量和外部效度。
- 你要的其实是「这个方向值不值得试」，而不是「这个因果是否成立」——证伪会把你困在原地，而一次小成本试验更快给出答案。
示例
输入
用了「团队版」功能的客户续费率是 92%，没用的是 71%。所以我们应该推动所有客户用团队版。
你会得到
期望它给至少 3 个第三变量：大公司本来就会买团队版、也本来就难流失；销售往往在续约前才推团队版。还要指出反向因果——是准备续约的客户才愿意花时间配置。最后给一个能区分的检验：对即将续约的中小客户随机邀请开通，看 90 天续费率。
常见误用
- 拿它来「证明我的因果是对的」：要求只找反例，却不接受「这组数据无法区分」这个结论，最后逼出一堆似是而非的机制。
- 只给相关性数据却要求因果结论，然后怪它「只会说不能证明」——它给不出因果，是因为数据里没有因果。
可以这样改
- 把「证伪这个因果判断」换成「设计一个能证伪它的最小实验」——从辩论转向可执行的检验。
- 加一句「如果必须现在下注，你按几成概率相信这个因果」——二元判断变成可校准的置信度。