在日常生活中，我们经常听到很多似是而非的论断，比如：
小孩子看太多电视会导致学习成绩下降。
重点大学毕业的人比非重点大学毕业的人，工作收入要高。
跟学霸做朋友，学习成绩会明显提高。
……
事实真的如此吗？不想被人牵着鼻子走，想对事情有自己的判断，就要弄清楚事物内部的逻辑关系，因果关系正是其中重要的一环。
美国思想家作家拉尔夫·爱默生曾经说过，“浅薄的人相信运气，强大的人相信因果。”在这个信息泛滥的时代，学会因果推理、弄清楚事物背后的关联，是每个人的必修课。
《原因与结果的经济学》这本书就是因果推理的入门书籍，它是由中室牧子和津川友介两人合著而成。中室牧子是一位教育经济学家，她的研究方向是：利用数据和经济学方法来提高儿童的学习和能力，中室牧子提倡用具有因果关系的科学依据来制定育儿及教育政策。
津川友介是医生兼医疗政策专家，他的研究方向是：利用大数据来提高医疗质量，并抑制医疗费用。他曾经在美国著名医疗经济学家约瑟夫·纽豪斯（Joseph Newhouse）门下学习，并师从最早创建因果推理体系的唐纳德·鲁宾（Donald B. Rubin），从两位大咖那里，津川友介学会了因果推理的思维方法。
在《原因与结果的经济学》这本书中，两位作者介绍了许多因果推理必备的思维方法，并将因果推理简化为五个步骤，这五个步骤分别为：
1，弄清楚原因是什么？
2，弄清楚结果是什么？
3，确认三个要点。
4、制造反事实。
5，将反事实和事实和事实调整到可比较的状态。
只需要掌握五个步骤，就可以学会因果推理的精髓，找到原因，提高我们在生活中的决策能力。下面，我将这五个步骤整合成三部分内容，来深度解析因果推理的方法。这三个方面分别为：什么是因果关系？用三个要点判断因果关系，以及制造反事实并和事实进行比较。
一、什么是因果关系？
什么是因果关系？这个问题听起来很简单，但在现实生活中，很多人会把它和相关关系弄混。比如文章开头提到的，小孩子看电视太多，会导致学习成绩下降。这是很多人的共识，但却缺乏科学依据，归根结底，就是很多人没有搞清楚，“看电视太多”和“学习成绩下降”之间没有必然的因果关系，二者只是相关关系。小孩子看电视太多，可能会导致学习成绩下降，但不必然导致学习成绩下降。
看到这里，你还觉得因果关系很简单吗？生活琐碎而复杂，很多真相需要我们拨开迷雾才能看到，有些看似有道理的话，用因果关系分析后，你会发现是无稽之谈。
那么什么是因果关系呢？如果有两个变量A和B，A是B发生的原因，B是A发生的结果，并且当A发生的时候，必然会发生B，那么这两者就属于因果关系。如果事情A发生，并不会导致B结果的产生，那么这两者就是相关关系。
二、用三个要点判断因果关系
知道了什么是因果关系之后，我们再来看看，如何判断两个变量之间是因果关系呢？这里有三个要点：
第一，判断这两个变量的关系是否纯属巧合？
第二，搞清楚是否存在第三变量？
第三，两者之间是否存在逆向因果关系？
1、是否“纯属巧合”？
可能有人不相信，真的有人会把“纯属巧合”当作因果关系吗？事实上，大盘预测者都会相信那些纯属巧合的伪相关。最经典的例子就是“吉卜力的诅咒”，这个现象说的是，只要日本电视台播出吉普力工作室的电影，美国的股票都会下跌。这两者之间，没有必然的联系，很显然只是一个巧合。可是，美国的《华尔街时报》都曾经报道过这个这个现象，并引起热议。
在娱乐圈也不乏这样的巧合。比如：萧敬腾在哪个城市开演唱会，哪个城市就会下雨。网友们封他为“雨神”。以至于后来，当某个城市久旱不雨的时候，有网友调侃让萧敬腾来开演唱会。其实，萧敬腾开演唱会和下雨之间也只是巧合。
2、是否存在第三变量？
在进行因果推理的时候，还要考虑是否有第三变量。简单来说，第三变量就是会同时影响原因和结果的混杂因素，它能鱼目混珠，将相关关系包装成因果关系，来干扰我们的判断。
很多商家深谙此道，宣传的广告充满诱导因素。比如：有个知名的钢琴品牌，其宣传文案是：学钢琴的孩子不会变坏。
在这个文案中，“学钢琴”和“不会变坏”之间没有必然的联系，但商家为了宣传品牌，将“学钢琴”和“不会变坏”包装成了因果关系，某种程度上干扰了消费者。学钢琴的孩子需要投入大量时间和精力在练习上面，他们不会变坏是因为没有时间做其他的事情，诸如进行社交，或者培养其他的不良嗜好，等等。“没有时间做其他的”才是“不会变坏”的原因，“学钢琴”只是其中的干扰因素。
3、是否存在逆向因果关系？
简单来说，逆向因果关系就是将因果搞反了，或者原因和结果可以互换。
比如下面这个说法“警察多的地区，犯罪犯罪案件数量也多”就把因果弄反了，事情的真相是：因为犯罪数量比较多，公安部门才会调派大量的警察来。“犯罪案件多”是原因，“警察多”是结果，而不是相反。
如果两个因素之间存在着上述的三种情况：纯属巧合、混杂因素或者逆向因果关系，那么它们就只是相关关系，反之，则可以判断它们是因果关系。
三、如何制造反事实进行比较？
想证明两个事物之间存在因果关系，就需要排除上面的三种情况：即纯属巧合，有混杂因素或者逆向因果关系。这里，我们要引入了“反事实”这个概念，反事实指的是对未曾发生的事情所做的假设。“如果当时没有如何，现在就会怎样”这样的句式，就是最简单的制造反事实的方法。现实生活中已经发生的事情是事实，与事实相反的假设就是反事实。
法国哲学家布莱士·帕斯卡曾经说过一句话，“如果克莉奥帕特拉（埃及艳后）的鼻子再塌一点，世界史就会改写了。”
在中国也有一句颇具调侃意味的话，“如果潘金莲不掀窗帘子，中国历史就会被改写。”
这些都是典型的反事实思维，因果推理的本质是：找到最贴切的值来替换反事实，和事实进行对比。
如何制造反事实呢？作者在书中介绍了“证据金字塔”（evidence pyramid），在证据金字塔中，越接近顶点的证据，其可信度越高。根据证据金字塔，本书介绍了很多制造反事实的方法，其中包括元分析，随机对照实验，自然实验与准实验以及回归分析等。下面我就以随机对照实验的方法为例，来看看如何制造反事实，进行因果关系的推理。
在临床医学上，经常用小白鼠来做药物疗效的实验。具体的操作是：将生病的小白鼠随机分成两组，一组进行药物治疗，称之为干扰组，另外一组不给药物治疗，称之为对照组。如果摄取药物那组的小白鼠痊愈更快，则证明药物有效，反之，则证明药物无效。在这个实验中，不给另外那组的小白鼠进行药物治疗，就是在制造反事实，以便和进行药物治疗的组进行对比。
随机分组听起来有点随意，其实不然，它能避免选择性偏差。“选择性偏差”（selection bias）指的是因个人的选择，导致研究对象产生的不可比较的属性。为了便于理解，我们再来看一个例子。比如：想研究经常体检和长寿之间的关系，就可以用随机对照实验的方法，来进行因果分析。
我们可以把研究对象分为：
A组：在研究期间，接受体检。这是干扰组。
B组：在研究期间，不接受体检。这是对照组。
很显然，那些过去经常体检的人和过去没有体检过的人，属于两种不同的人，前者的健康意识更强，而后者的健康意识相对淡薄，两者没有可比性。他们在过去是否选择体检，会对后续的研究结果产生影响，这就是选择性偏差。
如何解决这个问题呢？答案是随机分组。在实践中，可以用抛硬币、抽签等方式随机分组。这样一来，干扰组中既有以前接受过体检的人，也有没体检过的人，对照组中也是两者兼而有之。这样，两个组别就有了可别性，研究结果也更准确。
丹麦就曾经调查过体检和长寿之间的关系，他们将大约6万人划分为两个组，用了长达十年的时间来跟踪调查，最后发现：不论体检与否，不论被调查者生活习惯改变与否，两个组别的死亡率并没有明显的差异。
制造反事实的方法还有很多，比如自然实验，双重差分法、工具变量法、断点回归设计、匹配法以及回归分析等，在这里就不逐一展开。需要明确的是，这些方法都是为了找到最贴切的值，来替换反事实，以便和事实进行对比。在实际生活中，哪种方法简单，操作更容易，就用哪种方法。
在信息泛滥的现代社会，想甄别信息真伪，判断其可行性，就必须学会独立思考，弄清楚事物之间的逻辑关系。掌握因果推理的方法，能让我们透过现象看到本质，不被那些模棱两可的言论左右，帮助我们正确决策，所以赶紧get起来吧。