因果推斷學習2 - 相關性!=因果性 - ⎝⎛CodingNote.cc ⎞⎠

本文從 $相關性\ne 因果性$ 角度來說明因果推斷的意義。

假設我們現在有一堆數據表明，大多數穿鞋睡覺的人，起床會頭痛；大多數沒有穿鞋睡覺的人們，起床不會頭痛！穿鞋睡覺和起床頭痛具有很高的相關性。

如果不想起床頭痛，我晚上睡覺不穿鞋會有用嗎？這就需要判斷穿鞋睡覺是否是起床頭痛的原因！

假設有額外數據顯示，穿鞋睡覺的人大多數都喝多了，且第二天頭痛的人大多數也是這些人。有可能說明，導致穿鞋睡覺和起床頭痛的高相關性是因為他們有一個共同因素(common cause)就是：喝多了！

分析一下穿鞋睡覺和起床頭痛有很高相關性的可能原因。

兩組人群有很大的差異性，穿鞋睡覺的人基本都喝多了，而沒穿鞋睡覺的人基本沒喝多，所以這兩組人群本身是不可比的，也就無法進行因果推斷計算。只有除了研究因素外其他因素都無明顯差異情況下，兩組人群針對研究因素才可比。
Confounding，先解釋一下什麼是confounding(混淆)。由存在共同原因(common cause)，它混淆了兩個變數的相關性。如下圖所示，confounder會導致觀測數據存在confounding association。而我們觀測到的數據，存在這兩種混合的相關性。而因果性也會導致一定的相關性，稱為causal association，但是由於confounding association的存在，我們觀測到的混合相關性無法直接推測出因果關係，所以相關性與因果性不同，也無法推出因果性！

$相關性=因果性$ ——-認知偏差 (cognitive bias)

雖然大家都知道相關性等於因果性是錯誤的，但是大家潛意識都會默認來使用這一點，這是由大腦思維存在一些固定思維傾嚮導致的認知偏誤。

可以把穿鞋睡覺換成任何事情，任何與起床頭疼的可能存在相關的事情。

只是想找到一個解釋，來避免下次產生頭疼這件事。* 可以有如下來源

availability heuristic：任何你想起最近的事情，比如喝了咖啡，你會認為喝了咖啡導致了我起床頭疼。（甚至很久以前你看過文章說咖啡不會導致頭疼。但那麼久的事情已經忘了）
motivated reasoning：一般由個人的價值觀或世界觀誘導。比如，一個人不喜歡和岳父相處，則他會把頭疼這件事歸因於與岳父相處，給你一個理由來拒絕不想做的事情。

下一節講什麼導致因果！