相关不等于因果

两件事一起变化，不等于一个导致另一个。冰淇淋销量和溺水人数同涨同跌——是冰淇淋导致溺水吗？当然不是，是背后的夏天同时推高了两者。「相关 ≠ 因果」，可能是统计课里最值钱的一句话。

相关是什么：两个变量的变化趋势有统计上的关联，用相关系数 r 表示，取值 −1 到 1。r 接近 1 是正相关（一个涨另一个也涨），接近 −1 是负相关，接近 0 是没关联。白话：r 只说「同不同步」，不说「谁指挥谁」。

因果为什么难确立：一段相关背后至少有三种可能——A 导致 B；B 导致 A（因果倒置：是「成绩好所以自信」，还是「自信所以成绩好」？）；或者第三方 C 同时推着 A 和 B 走（夏天之于冰淇淋和溺水）。分不清方向，结论就是空中楼阁。

怎么确认因果——随机对照试验。把受试者随机分成两组，一组吃药、一组吃外观一样的安慰剂，其余条件完全相同。随机化切断了所有第三变量的干扰，剩下的差异只能归因于药物。新药上市前必须过这一关，这是现代医学的基石。

真实例子：早年观察发现「喝红酒的人心脏病更少」，媒体欢呼红酒养生。后来发现喝红酒的人群收入、饮食、医疗条件整体更好——是生活方式这个第三变量在起作用，后续更严格的研究并未支持「红酒护心」。

常见误区：「时间在前就是因」。公鸡打鸣在日出之前，但打鸣不导致日出。先后只是因果的必要条件，远不是充分条件。

练一练：新闻说「常去图书馆的学生成绩更好」。请给出两种「并不是图书馆导致成绩好」的解释。