先说两个大家耳熟能详的成语故事：

东施看到美女西施捂着胸口走路，将路人迷倒一片，于是也学着西施的样子走路，结果路人看到了都惊慌大逃。

一个农民劳作后，在木桩上休息，意外捡到一只撞在木桩上的兔子。从此他便放弃了农活，天天蹲在木桩上等着兔子撞上来，最后兔子没等来，粮食也没得吃了。

这两个故事的主角其实并不是愚蠢，而是犯了一个逻辑性的错误，将不相关的两件事看成了因果关系：西施并不是因为捂着胸口走路才受欢迎；蹲在木桩上不代表就能捡到兔子。

在日常生活中，只要我们稍加思考就能避开这些荒谬的逻辑。但是很多时候我们却经常犯因果关系错误：将只是相互影响的因素看作因果关系。

比如看到别人家的孩子请了家教后，学习成绩逐步攀升，就忍不住也给自己的孩子请家教；听说别人每天坚持吃肉减掉了十斤，就以为找到了减肥的良方；听说有的孩子沉迷手机游戏耽误了学习，就马上没收了孩子的手机。

我们的这些做法对吗？通常情况下，我们会发现给孩子请了家教效果并不好，坚持吃肉并不能让你减肥，孩子没有了手机反而偷偷去网吧。我们将本来只是有简单关联的两件事情看成了因果关系，这种错误的认知就会带来行为上的偏差，导致不正确的决定。

判断两件事情之间是否存在因果关系，需要严谨的科学方法，也就是因果推理。在美国，“因果推理 ”是大学的重要课程之一。《原因与结果的经济学》就用通俗易懂的语言讲述了因果推理的基本理论和常识。在这本书中，作者提到“在日常生活中，只要理解了因果关系原理，训练自己思考两件事情之间是否存在因果关系，就可以摆脱偏见或无稽之谈的束缚，做出正确的判断。”

这本书的两位作者中室牧子和津川友介都是经济学领域的教授，两个人希望通过这本书帮助每一位读者学会因果推理的思考方法，通过这种思维方式来指导自己的行为。

《原因与结果的经济学》中通过列举与日常生活紧密相关的研究案例，来讲解因果推理的原理，深入浅出，让人受益匪浅。

定期接受综合体检就能长寿吗？

看电视会导致孩子学习能力下降吗？

上好的大学收入就会更高吗？

看完这本书，你不仅能找到以上问题的答案，还将学会用因果推理的方法来解读生活中的问题，做出明智的判断。

一、学习因果推理对我们有什么好处

1、因果推理帮我们做出有利选择

我们的日常行为通常受到因果关系的指引，因为饿了所以去吃饭；因为有梦想，所以要在一线城市打拼；因为想要成功，所以会努力工作。那些成功实现梦想的人，我们称之为“幸运儿”。因为成功除了需要勤劳和汗水，天赋和能力，还需要一个关键的因素：运气。

然而运气并非不可捉摸，它也是因果关系的一部分。我们没有得到想要的结果，是因为我们种错了“因 ”，自然得不到梦想中的“果 ”。

美国著名的思想家拉尔夫.爱默生说：“浅薄的人相信运气，强大的人相信因果。”只有看到事物之间正确的因果关系，我们才能做出最有利的的选择。

我们经常听到一些看似合理的说法，比如“找不到好工作是因为人口数量太多”、“孩子经常看电视成绩就会下降”、“每年定期体检就能活的更健康更长寿”等等。如果没有经过因果推理的论证就盲目轻信这些说法，就会做出错误的决定，徒劳的浪费时间、精力和金钱。

2、大数据时代需要因果推理的思维方式

因果推理不只是一种科学的推理证明方法，也是一种辩证式的思维方式。

在互联网时代，信息传播迅速，大数据技术普及，我们每天都要处理大量的信息和数据。我们在享受着信息便捷的同时，也更容易受到一些信息的误导。很多谣言也因此得到广泛传播，被奉为真理。如果我们能学会因果推理的思维方式，就不会轻易被表象所迷惑，做出科学的、理智的判断，让流言止步于科学。

3、因果推理可以应用在生活中的很多领域

因果推理的思维方式可以应用在日常生活中的各个方面。《原因与结果的经济学》的作者之一中室牧子，是一位教育经济学家。她在儿童教育的理论研究中，应用了因果推理方法。她发现，在育儿的过程中，那些过来人的经验之谈通常是不靠谱的，应该基于因果推理的科学结论来制定育儿政策。

还有一位专家津川友介则将因果推理的思维体系应用在医疗政策研究中。在美国的商务和社交活动中，因果推理的思维方式也是个人素质的一种体现。

二、因果推理有哪些方法

在经济学领域，因果关系是指“两个事件中，一方为原因，另一方为结果”的状态。如果“两个事件相互关联，但不存在因果关系，则可以称之为相关关系。”

因果推理方法的核心原则就是：制造反事实并将其调整到可比较的状态。

反事实是指“ 对过去未曾发生的事实所做的假设”。当我们想要弄清楚是否存在因为A所以B的关系时，只需要证明如果A不发生，B是否就一定不会发生。但是在现实情况中，我们很难回到如果A不发生的场景中，只能尽量去制造A不发生的场景，并将外部环境调整到和A发生时一致的状态，使其成为可比较的组。

作者中室牧子在《原因与结果的经济学》中提到了七种因果分析方法，按照结论的可信度从高到低排列为：

1、随机对照试验

通过随机分组制造出两个可比较的组。随机分组要严格遵守随机的原则，比如随机抽样，或者通过抛硬币的方式。

但是通常情况下，因为一些主观意志，很难做到完全随机。比如如果想研究吸烟对人体的危害，你不可能强制要求某一类人频繁的进行抽烟行为。

2、自然实验法

当随机实验遇到困难时，研究人员可以利用已有的数据进行分析，从已有的数据中找到可以比较的两组数据。大数据技术的发展为这种方法提供了便利。比如当我们想研究打广告对珠宝销量的影响时，就可以截取过去一段时间内，一家商铺打广告的销售额与另外一家店铺未打广告的销售额相比较，当两家店铺在规模、销售额、人员素质等因素相似时，这两组数据就是可比较的组，得出的结论就是可靠的。

3、统计学方法

“ 随机对照实验和自然实验法基于的数据都是自然产生的，没有人为干预的因素，这些数据叫做自然数据。”通过自然数据进行研究得出的结论通常是更可靠的，但是在实际研究中，通常很难获取这么理想的数据源。因此不得不采取干预行为获得实验数据，人为制造可比较状态，这些研究方法归属为统计学方法。比如：双重差分法、工具变量法、断点回归法、相似个体匹配法、回归分析。

双重差分法的意思就是当两个组无法满足可比较的状态时，采用两组差异数据进行比较的方法。一个是一组干预前后的差异，另一个是干预组与对照组的差异，通过两个差异值来判断干预的效果。

工具变量法指的是找出一个第三变量，它不会对结果产生直接影响，但是会通过影响原因间接影响结果。例如当我们很难论证看“看电视 ”与“学习能力”之间的因果关系时，研究专家找到一个影响电视播放的因素：电视执照，没有取得电视执照的区域是无法观看电视的。通过研究“电视执照 ”和“学习能力”之间的关系来论证“看电视”与“学习能力”之间的关系。

根据书中列举的打广告和销售额之间的关系为例。如果一家珠宝公司只允许员工人数超过50人以上的商店投放广告，就可以取50人以上的商店的销售额和50人以下的商店的销售额进行比较，来推理出投放广告的效果。这个“50”就是这种方法中的断点。这种方法就是断点回归法。

相似个体匹配法，同样以投放广告和销售额之间的关系为例，如果在当地的所有珠宝店里有30家投放了广告，而另外70家没有投放。我们就可以从没有投放广告的70家商店里，选出30家店铺，和投放广告的30家店铺在各方面因素相似，制造出可比较的组，用这两组数据进行因果关系研究。

还有一种极端情况，当所有数据都不适合用来评估因果关系时，只能用回归分析法。这是一种比较复杂的统计学算法，可以在一些统计分析软件中，输入相应数据，直接调用这种方法计算结果。

回到文章开头时的问题，研究人员通过这些科学的因果推理方法发现：定时的综合体检并不能提高人的寿命；看电视也并不会导致孩子学习成绩下降；好大学和高收入之间也没有因果关系。

三、因果推理的局限性

虽然因果推理得出的结论很重要，但是即便我们通过科学的方法论证了两者之间的正确关系，在实际应用中还存在以下问题：

1、成本很高

无论采用随机对照试验方法、自然实验法还是统计学方法，都需要大量的可对照数据，这些数据的获取有时候需要花费几年甚至几十年，成本很高。

2、具有局限性

因果推理得出的结论往往局限于样本的覆盖范围，例如针对白种人的某种因果分析结果，不一样适用于黄种人和黑种人。

3、因为伦理因素无法实施

有些时候，因为一些道德因素，我们无法真正实施实验。比如当研究吸烟与肺癌的关系时，无法强迫对照组每天吸烟。

4、随机试验中难以做到真正的随机

尤其是当以人为研究对象时，人的主观意志会影响实验的随机性。

5、实验得出的结论在社会中实际应用时，效果会变小

与无穷的时间和庞大的空间相比，样本数据毕竟是小范围的，这就导致研究的效果在实际应用中会缩小。比如一些药物的临床实验。

法国著名的思想家霍尔巴赫说：“ 在宇宙中一切事物都是互相关联的，宇宙本身不过是一条原因和结果的无穷的锁链。”

可见因果关系是日常生活中最普遍、最常见的关系。尤其在大数据时代，因果推理方法能帮助我们拨开谣言的迷雾，做出正确的决定。正如这本书的作者中室牧子所言“弄清楚‘是否存在因果关系’，已经成为所有人必备的素养。”