697
个编辑
更改
→历史渊源
因果效应则侧重于描述原因对结果产生影响的具体程度或效果，是对因果关系在数量或程度上的量化表达，具有定量的性质。例如，某项统计显示长期吸烟的人群患肺癌的风险比不吸烟的人高80%，这80%就是吸烟对患肺癌这一结果的因果关系程度的一种量化。因果效应能够为因果关系提供更具体、更精确的信息，帮助人们更深入地理解因果关系的本质和特征。通过因果效应的估计，可以明确原因变量对结果变量影响的具体程度和方式，使因果关系从定性的认知上升到定量的分析。
因果效应则侧重于描述原因对结果产生影响的具体程度或效果，是对因果关系在数量或程度上的量化表达，具有定量的性质。例如，某项统计显示长期吸烟的人群患肺癌的风险比不吸烟的人高80%，这80%就是吸烟对患肺癌这一结果的因果关系程度的一种量化。因果效应能够为因果关系提供更具体、更精确的信息，帮助人们更深入地理解因果关系的本质和特征。通过因果效应的估计，可以明确原因变量对结果变量影响的具体程度和方式，使因果关系从定性的认知上升到定量的分析。
== 历史渊源 ==
== 历史渊源 ==
John Locke在他1690年发表的著作《人类理解论》中首次正式提出了因和果的概念：把产生观念的事物叫做原因，把所产生的东西叫做结果。在18世纪David Hume进一步发展了这个概念<ref name=":1">David Hume. ''An Enquiry concerning Human Understanding''. 1748.</ref>，提出因果不是事实之间的概念，而是经验之间的习惯性联想。他强调判断因果关系的三条准则：空间邻近性、时间连续性、恒常连结性。
19世纪末皮尔逊从高尔顿那里学会并发展了建立事物之间相关性的方法<ref name=pearson_1896>{{cite journal |last1=Pearson|first1=Karl|title=Mathematical Contributions to the Theory of Evolution. III. Regression, Heredity, and Panmixia|journal=Philosophical Transactions of the Royal Society of London|volume=187|year=1896|pages=253–318|url=}}</ref>，通过一个特定的数值（皮尔逊相关系数）来简单直观地告诉人们两个事物（或变量）之间在变化趋势上的关联紧密程度，是朝着相同方向变化还是相反方向变化，以及这种变化的相关程度到底有多大。并认为相关性足以说明事物之间的联系，完全不需要在数学中定义因果关系，因果关系只是相关性一个特例。随着这种观点在学术界的流行，因果以及因果关系的研究被压制了将近半个世纪。
19世纪末皮尔逊从高尔顿那里学会并发展了建立事物之间相关性的方法<ref name=pearson_1896>{{cite journal |last1=Pearson|first1=Karl|title=Mathematical Contributions to the Theory of Evolution. III. Regression, Heredity, and Panmixia|journal=Philosophical Transactions of the Royal Society of London|volume=187|year=1896|pages=253–318|url=}}</ref>，通过一个特定的数值（皮尔逊相关系数）来简单直观地告诉人们两个事物（或变量）之间在变化趋势上的关联紧密程度，是朝着相同方向变化还是相反方向变化，以及这种变化的相关程度到底有多大。并认为相关性足以说明事物之间的联系，完全不需要在数学中定义因果关系，因果关系只是相关性一个特例。随着这种观点在学术界的流行，因果以及因果关系的研究被压制了将近半个世纪。
现代因果关系研究的新曙光出现在20世纪20年代，其代表人物是美国科学家杰西·内曼（Jery Neyman），内曼研究了随机对照试验(RCT)，并且指出从随机对照试验中发现因果关系的可能性和必要性，并提出了“潜在结果”的思想<ref name=neyman_1923>{{cite journal |last=Neyman |first=Jerzy |title=O wyznaczeniu efektów doświadczeń losowych |language=Polish |trans-title=[On Determining the Effects of Randomized Experiments] |journal=Książnica Atlas |year=1923 |publisher=Książnica Atlas|url=}}</ref>，潜在结果的思想是对于每个人或事物在面对不同情况（比如做与不做某件事、接受不同处理等）时都有相应的可能结果，但通常我们只能看到实际发生情况对应的那个结果，其他没发生情况对应的结果就是潜在的，我们可以通过一些方法来推断这些潜在结果以及不同情况带来的影响差异。由于研究结果是用波兰文发表的，所以当时并未引起关注。
现代因果关系研究的新曙光出现在20世纪20年代，其代表人物是美国科学家杰西·内曼（Jery Neyman），内曼研究了随机对照试验(RCT)，并且指出从随机对照试验中发现因果关系的可能性和必要性，并提出了“潜在结果”的思想<ref name=neyman_1923>{{cite journal |last=Neyman |first=Jerzy |title=O wyznaczeniu efektów doświadczeń losowych |language=Polish |trans-title=[On Determining the Effects of Randomized Experiments] |journal=Książnica Atlas |year=1923 |publisher=Książnica Atlas|url=}}</ref>，潜在结果的思想是对于每个人或事物在面对不同情况（比如做与不做某件事、接受不同处理等）时都有相应的可能结果，但通常我们只能看到实际发生情况对应的那个结果，其他没发生情况对应的结果就是潜在的，我们可以通过一些方法来推断这些潜在结果以及不同情况带来的影响差异。由于研究结果是用波兰文发表的，所以当时并未引起关注。
克莱夫・格兰杰（Clive W.J. Granger）于 1969 年提出了一种用于分析基于时间序列的变量之间因果关系的方法<ref name=granger_1969>{{cite journal |last=Granger |first=C. W. J. |title=Investigating Causal Relations by Econometric Models and Cross-Spectral Methods |journal=Econometrica |volume=37 |year=1969 |pages=424–438 |url=https://www.jstor.org/stable/1912791}}</ref>，它的定义是在时间序列情形下，对于两个变量X、Y，若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X的过去信息有助于解释变量Y的变化，则认为变量X是引致变量Y的格兰杰原因。
克莱夫・格兰杰（Clive W.J. Granger）于 1969 年提出了一种用于分析基于时间序列的变量之间因果关系的方法<ref name=granger_1969>{{cite journal |last=Granger |first=C. W. J. |title=Investigating Causal Relations by Econometric Models and Cross-Spectral Methods |journal=Econometrica |volume=37 |year=1969 |pages=424–438 |url=https://www.jstor.org/stable/1912791}}</ref>，它的定义是在时间序列情形下，对于两个变量X、Y，若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X的过去信息有助于解释变量Y的变化，则认为变量X是导致变量Y的格兰杰原因。
内曼关于“潜在结果”的思想，被唐纳德·鲁宾(DonaldRubin)于1972年独立地再次发现<ref name=rubin_1972>{{cite journal |last=Rubin |first=Donald B. |title=Estimating Causal Effects of Treatments in Experimental and Observational Studies |journal=ETS Research Bulletin Series |volume=1972 |issue=2 |year=1972 |pages=i–31 |url=https://onlinelibrary.wiley.com/doi/10.1002/j.2333-8504.1972.tb00631.x}}</ref>，并且加以丰富和提升，正式提出了因果效应的的概念，使之成为当前因果分析的重要模型之一，称为“鲁宾因果模型”或者“潜在结果模型”。
内曼关于“潜在结果”的思想，被唐纳德·鲁宾(DonaldRubin)于1972年独立地再次发现<ref name=rubin_1972>{{cite journal |last=Rubin |first=Donald B. |title=Estimating Causal Effects of Treatments in Experimental and Observational Studies |journal=ETS Research Bulletin Series |volume=1972 |issue=2 |year=1972 |pages=i–31 |url=https://onlinelibrary.wiley.com/doi/10.1002/j.2333-8504.1972.tb00631.x}}</ref>，并且加以丰富和提升，正式提出了因果效应的的概念，使之成为当前因果分析的重要模型之一，称为“鲁宾因果模型”或者“潜在结果模型”。
朱迪亚・珀尔（Judea Pearl）在 1995 年提出的结构因果模型（Structural Causal Model，SCM）<ref name=pearl_1995>{{cite journal |last=Pearl |first=Judea |title=Causal Diagrams for Empirical Research |journal=Biometrika |volume=82 |number=4 |year=1995 |pages=702–710 |url=https://doi.org/10.1093/biomet/82.4.702}}</ref>是一种以有向无环图和结构方程为基础，通过清晰描绘变量间因果结构、进行反事实推理和因果效应估计，来帮助人们理解和分析变量之间因果关系，广泛应用于多领域的因果分析工具。并在此基础上提出了因果分析框架，为因果分析提供了一套系统的、形式化的理论和方法体系，将因果关系划分为关联、干预、反事实三个层级，使得因果推理更加精确和实用。
朱迪亚・珀尔（Judea Pearl）在 1995 年提出的结构因果模型（Structural Causal Model，SCM）<ref name=pearl_1995>{{cite journal |last=Pearl |first=Judea |title=Causal Diagrams for Empirical Research |journal=Biometrika |volume=82 |number=4 |year=1995 |pages=702–710 |url=https://doi.org/10.1093/biomet/82.4.702}}</ref>是一种以有向无环图和结构方程为基础，通过清晰描绘变量间因果结构、进行反事实推理和因果效应估计，来帮助人们理解和分析变量之间因果关系，广泛应用于多领域的因果分析工具。珀尔在此基础上又提出了因果分析框架，为因果分析提供了一套系统的、形式化的理论和方法体系，将因果关系划分为关联、干预、反事实三个层级，使得因果推理更加精确和实用。
进入21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>，它可以用来衡量一个马尔科夫动力学的因果效应强度。它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的互信息来量化因果效应。
进入21世纪初Giulio Tononi 和 Olaf Sporns 提出[[有效信息|有效信息 (EI)]]的概念<ref name=tononi_2003>{{cite journal |last1=Tononi|first1=G.|last2=Sporns|first2=O.|title=Measuring information integration|journal=BMC Neuroscience|volume=4 |issue=31 |year=2003|url=https://doi.org/10.1186/1471-2202-4-31}}</ref>，它可以用来衡量一个马尔科夫动力学的因果效应强度。它通过干预实验来排除其他因素的影响，通过比较干预前后状态之间的互信息来量化因果效应。