更改

=== Patricia Cheng的因果归因理论 ===

=== Patricia Cheng的因果归因理论 ===

Patricia Cheng的因果归因理论（Causal Attribution Theory）与概率提升概念有深刻关联，其理论框架对传统概率提升模型进行了重要扩展和修正，核心思想是：

Patricia Cheng的因果归因理论（Causal Attribution Theory）与概率提升概念有深刻关联，其理论框架对传统概率提升模型进行了重要扩展和修正，核心思想是：

人类通过观察事件发生的共变概率（<math>\(P(Y|X)\)</math>和<math>\(P(Y|\neg X)\)</math>）来推断潜在因果关系，但需排除背景条件的干扰。其公式为：

人类通过观察事件发生的共变概率（<math>P(Y|X)</math>和<math>P(Y|\neg X)</math>）来推断潜在因果关系，但需排除背景条件的干扰。其公式为：

<math>\[\text{Causal Power of } X = \frac{P(Y|X) - P(Y|\neg X)}{1 - P(Y|\neg X)}\]</math>

<math>\text{Causal Power of } X = \frac{P(Y|X) - P(Y|\neg X)}{1 - P(Y|\neg X)}</math>

该公式的本质是计算<math>X</math>独立于背景条件时对<math>Y</math>的净因果效应，即<math>X</math>导致<math>Y</math>的因果力量（Causal Power）。通过公式中的分母项 <math>\( 1 - P(Y|\neg X) \)</math>，将背景条件的影响从<math>X</math>的因果效应中剥离，得到<math>X</math>的独立因果力量。这类似于统计学中的控制混杂变量，但更侧重认知层面的归因机制。

该公式的本质是计算<math>X</math>独立于背景条件时对<math>Y</math>的净因果效应，即<math>X</math>导致<math>Y</math>的因果力量（Causal Power）。通过公式中的分母项 <math>\( 1 - P(Y|\neg X) \)</math>，将背景条件的影响从<math>X</math>的因果效应中剥离，得到<math>X</math>的独立因果力量。这类似于统计学中的控制混杂变量，但更侧重认知层面的归因机制。