Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

想象一下你是一名正在试图破解谜题的侦探，但你只能看到留下的线索，而看不见罪犯本人。这就是**观测因果推断（observational causal inference）**的世界——这是科学的一个分支，研究人员试图利用现实世界中的数据来弄清楚是什么导致了什么，而不是通过进行受控实验。在这个领域中，“因”就像是一个推倒另一个“果”的多米诺骨牌。然而，这里有一个棘手的规则：仅仅因为两件事同时发生（它们具有“相关性”），并不意味着其中一件导致了另一件。有时，一个隐藏的第三因素——“混杂因素（confounder）”——正在暗中推动着两者。例如，夏季冰淇淋销量和鲨鱼袭击次数都会上升，但冰淇淋并不会导致鲨鱼袭击；隐藏的原因是炎热的天气。科学家们使用被称为“有向无环图（DAGs）”的特殊地图来绘制关于这些多米诺骨牌如何连接的理论，但这些地图依赖于一些关于它们“看不见”之物的重大假设。

每个人都关心的核心问题是：我们真的能确定自己找到了真正的因果关系吗？ 随着我们收集的数据越来越多，我们识别模式的能力也越来越强。我们可以很有把握地说“A与B相关”。但这是否意味着A导致了B？本文探讨了一个可怕的可能性：如果我们变得过于擅长寻找模式，以至于对错误答案过于自信，会发生什么？它指出，即使拥有完美的数学模型和海量的数据，如果真实的因果关系对我们而言是不可见的，我们最终可能会构建出一个极其有说服力、在统计学上极其稳固的错误故事。

---

无形木偶师的案例

假设你正在试图弄清楚为什么花园里的一株植物长得如此巨大。你怀疑是某种“秘密超级肥料”（我们称之为 X）在起作用，而一位神秘的园丁正在偷偷往土里浇灌这种肥料。但问题在于：X 是隐形的。你看不见它，无法测量它，甚至不知道它的存在。然而，你确实能看到花园里发生的其他事情。你注意到每当植物生长时，花园的水管也在喷水（Z）。实际上，隐形的肥料（X）同时导致了植物生长和水管喷水（也许是肥料让土壤变得干渴，或者园丁用这根水管来混合肥料）。

现在，想象你是一名拥有超级计算机的数据科学家。你决定研究这个花园。你不知道隐形肥料的存在，所以你只观察你能看到的东西：植物的大小和喷水情况。你收集了10株植物的数据，然后是100株，接着是10,000株。随着数据的增加，你的计算机越来越擅长捕捉水管喷水与植物生长之间的联系。

本文认为，随着数据的增加和数学模型的进化，你最终会达到这样一个点：你会百分之百地确定水管喷水导致了植物生长。你的统计测试会大声疾呼：“这是一个真实的效果！这不是偶然！”你已经发现了一个“稳定的、由数据驱动的”关系。但转折在于：你错了。 水并没有导致生长，隐形的肥料才是原因。水只是一个“代理变量（proxy）”——它只是恰好与真正的因果关系同步移动的一个替身。

“更多数据”的陷阱

作者 Mark Louie F. Ramos 表明，这并不是你的数学出了错，也不是“P值操纵（p-hacking）”（即为了得到结果而篡改数字）的结果。这是一个情境本身存在的根本性陷阱。

把它想象成试图在一座闹鬼的房子里寻找幽灵。你看不见幽灵（真正的因），但你可以看到窗帘在飘动和灯光在闪烁（代理变量）。如果你在那里长时间观察并使用高速摄像机，你最终会以绝对的确定性证明“当窗帘移动时，灯光就会闪烁”。你会得到一个关于这种联系的完美且不可动摇的统计学证明。但如果你据此得出结论说“窗帘导致了灯光闪烁”，你就完全错过了幽灵。

本文证明，如果你不断向研究中添加变量（你在花园里能看到的更多事物），并不断增加样本量（观察更多的植物），你不可避免地会在错误的事物之间找到这些“完美”的联系。你拥有的数据越多，你对那个关于“事物为何发生”的错误故事就越感到自信。

这意味着什么（以及它不是什么）

理解本文不是在说什么非常重要。它并不是在说科学家不擅长数学，或者他们在通过挑选数据来作弊。本文明确排除了这仅仅是“第一类错误（Type 1 error）”（由运气或糟糕的统计导致的假警报）的可能性。事实上，由于隐形的因果关系是真实且强大的，这些“错误”的结果实际上比随机噪声更具有重复性。如果你用一百万株植物再次进行实验，你依然会一次又一次地得到同样的“错误”答案。这种关联是真实的；但其中的“因果关系”却是谎言。

论文还澄清了这并不是我们所使用的工具（如 t 检验）的问题。这些工具在告诉我们两件事是否有关联方面表现出色。问题在于，我们经常忘记，只有当我们首先对包含那些“隐形事物”的世界达成共识并绘制出地图时，这些工具才有效。如果我们的地图遗漏了“隐形肥料”，这些工具会乐此不疲地告诉你“水管”才是英雄，而且会带着完美的信心这样做。

总结

主要的研究结论对于那些认为“大数据”能解决所有谜团的人来说，可能有点令人沮丧。本文表明，更多的数据并不能解决缺失因果关系的问题。 相反，它让我们对错误的答案更加深信不疑。

作者总结道，我们需要停止认为统计分析可以“验证”我们关于因果关系的构想。统计学只能告诉我们一个效应的大小，前提是我们假设自己的世界地图是正确的。真正的研究工作——弄清楚那些隐形的因果关系是什么——必须在进行数据计算之前完成，这需要依靠我们的头脑、理论和先验知识，而不仅仅是计算器。

因此，下次当你读到一项研究说“我们发现了 A 与 B 之间坚实的、具有统计学意义的联系”时，请记住那个无形的木偶师。数据可能是完美的，数学可能是无瑕的，信心可能也是极高的，但如果真正的因果关系正躲在阴影之中，那么整个故事可能只是一个极具说服力的幻象。