相關容易，因果難。要排除混雜因子——那個同時影響 A、B 製造假關係的第三者。
冰淇淋與溺水的兇手其實是『夏天』。
相關很容易，因果很難。因果推論要排除混雜因子(confounder)——那個同時影響 A 和 B、製造假關係的第三者。經典例：「冰淇淋銷量↑ 溺水↑」，混雜因子是「夏天」。真正的因果問題是：如果當初做了 A（而非沒做），結果會不同嗎？（反事實思維）
「夏天」同時推高冰淇淋和溺水，讓兩者看起來相關。控制了夏天（只比同樣天氣下），假關係就消失——這就是控制混雜因子。
下面冰淇淋與溺水看起來強相關。按「控制季節」把資料按季節分層——你會看到在每個季節內部，兩者其實沒什麼關係。假因果現形。
不控制時點排成一線（強相關）；按季節上色後會看到，同色（同季節）內部點是散的——相關是「季節」造成的假象，不是因果。
| 面向 | 相關 | 因果 |
|---|---|---|
| 問題 | X 與 Y 一起動嗎 | 改變 X 會不會改變 Y |
| 證據 | 觀察資料就能算 | 需實驗或因果設計 |
| 陷阱 | 混淆變數造成假相關 | 要控制混淆變數 |
| 黃金標準 | — | 隨機對照實驗(RCT) |
因果推論探討真正的成因,iPAS 中級科目二進階考點。重點:相關不等於因果,要靠隨機對照實驗(RCT)或在觀察資料上控制干擾因子(配對、迴歸、傾向分數、工具變數)才能談因果。易混點:干擾變數會製造假相關(如冰淇淋銷量與溺水都受氣溫影響);A/B 測試能談因果,是因為隨機分組消除了干擾。情境:判斷某分析能不能下因果結論。
想練情境題與詳解 → AI 學習與考證地圖
回答「X 是否導致 Y」(改變 X、Y 會不會變)，而非只看相關；這對決策(該不該做某干預)至關重要。
可能有混淆變數(共同原因)、反向因果或巧合；只看相關會把假關係當真、做出錯誤決策。
隨機對照實驗(RCT 或 A/B 測試)——隨機分組消除混淆，差異可歸因於干預；無法實驗時才用觀察性方法。
用傾向分數配對、工具變數、雙重差分(DiD)、回歸不連續、控制混淆變數等準實驗方法，設法模擬隨機。
同時影響 X 與 Y 的第三變數(如天氣同時影響冰淇淋銷量與溺水數)，不控制它就會誤判 X 與 Y 有因果。