M08.03｜相關性 vs 因果性：AI 最容易搞混的關係
冰淇淋銷量和溺水人數高度相關 — 但吃冰淇淋不會讓人溺水
本講學習重點
相關係數（Pearson r）：+1 完全正相關，-1 完全負相關，0 無線性相關；|r|>0.7 為強相關
相關不代表因果：冰淇淋 vs 溺水（共同原因：夏天氣溫），鞋子尺寸 vs 薪資（共同原因：年齡/工作經驗）
混淆變數（Confounder）：同時影響自變數和因變數的第三個變數，造成虛假相關
辛普森悖論：分組統計結論和合併統計結論相反（如腎結石治療成功率案例）
因果推論方法：隨機對照試驗（RCT，黃金標準）、工具變數法、斷點回歸、差異中差異法
AI/ML 模型的本質是學習統計相關性，不能自動推斷因果方向
Judea Pearl 的因果階層：關聯（看）→ 干預（做）→ 反事實（想像）
🎙️ Podcast（中文）
一句話搞懂
相關性說的是「兩件事同時發生的頻率」，因果性說的是「A 發生導致 B 發生」——冰淇淋銷量和溺水人數在夏天都會上升，兩者高度相關，但冰淇淋沒有讓人溺水，因為背後有一個共同原因叫做「炎熱天氣」；搞不清楚這個區別，AI 系統做的建議就可能從「相關的」變成「危險的」。
白話解說
相關係數：用一個數字描述「同進退」程度
相關性（Correlation）描述的是兩個數值變數之間共同變動的強弱和方向。最常用的量化工具是皮爾森相關係數（Pearson’s r），數值範圍從 -1 到 +1：+1 表示完全正相關（一個增加，另一個等比例增加）；-1 表示完全負相關（一個增加，另一個等比例減少）；0 表示沒有線性關係。
| 解讀相關係數強弱的常用標準： | r | 在 0.8–1.0 為非常強相關，0.6–0.8 為強相關，0.4–0.6 為中等相關，0.2–0.4 為弱相關，0–0.2 幾乎無關。但這些範圍只是參考——在物理學中，相關係數低於 0.99 可能就不夠好；在社會科學或醫學中，相關係數 0.3 可能已經是很有意義的發現，因為人類行為本來就難以精確預測。 |
皮爾森相關係數假設兩個變數都接近常態分佈，且只能捕捉線性關係。若資料是非線性的（例如二次曲線關係），或含有大量離群值，更適合用斯皮爾曼等級相關係數（Spearman’s ρ）——它計算的是兩個變數排名之間的相關，對非線性關係和離群值更穩健。
相關不等於因果：三種混淆情況
「相關不等於因果」是統計學最重要的箴言之一，但這個道理說起來容易，在實際分析中卻一再被違反。混淆的情況主要有三種：
第一種：共同原因（Common Cause，又稱「混淆變數」）：冰淇淋銷量和溺水人數都與「氣溫」正相關——氣溫高，冰淇淋買得多，同時去游泳的人也多，溺水事故也就多。冰淇淋和溺水之間看起來相關，但真正的原因是氣溫，氣溫是這裡的混淆變數（Confounding Variable）或混淆因子。另一個經典例子：研究發現鞋子尺寸越大，薪資越高（正相關）——但背後原因是「年齡」，年齡大的人腳通常更大，同時因為工作經驗更豐富而薪資更高；鞋子和薪資之間並沒有直接的因果關係。
第二種：反向因果（Reverse Causality）：研究發現，醫院病床數量和死亡人數正相關——病床越多的醫院，死亡人數越多。這個相關是真實的，但因果方向反了：不是「病床多導致死亡多」，而是「更多重症患者聚集到有更多病床的大型醫院，導致大醫院死亡人數更高」。在 AI 模型中，反向因果會讓模型學到看似有意義但實際上方向錯誤的「規律」。
第三種：純粹的巧合（Spurious Correlation，虛假相關）：美國研究員 Tyler Vigen 建立了一個「虛假相關」資料庫，發現一些統計上高度相關但毫無因果關係的組合，例如：美國緬因州的離婚率和美國人均人造奶油消費量的相關係數高達 0.99（1999–2009 年資料）；尼可拉斯·凱吉電影每年的出演數量和游泳池溺水人數高度正相關。這些「相關」只是在特定時間段內的數字巧合，換一段時間就消失了。在大數據時代，當你有數千個變數時，純粹靠搜尋一定能找到許多「相關的」組合，但其中大多數是毫無意義的巧合。
辛普森悖論：聚合資料如何誤導你
辛普森悖論（Simpson’s Paradox）是統計中最令人驚訝的現象之一：分組看的趨勢，和把所有數據合在一起看的趨勢，可能完全相反。
最著名的真實案例是 1970 年代加州大學伯克利分校的招生性別歧視爭議。研究者發現，在合併資料中，男性申請者的錄取率（44%）明顯高於女性（35%），看起來存在性別歧視。但當依照各系所分拆分析後，幾乎每個系所女性的錄取率都和男性差不多，甚至更高。矛盾如何解釋？因為女性更傾向於申請競爭激烈、錄取率低的系所（如法律、醫學），而男性更傾向於申請錄取率高的系所——「申請的系所」是這裡的混淆變數，導致了合併後的假象。
另一個醫學案例：比較兩種腎結石治療方法 A 和 B 的成功率——合併所有病例，方法 B 的總成功率（83%）高於方法 A（78%）；但分開來看，對小型腎結石，方法 A 的成功率（93%）高於方法 B（87%）；對大型腎結石，方法 A 的成功率（73%）也高於方法 B（69%）。方法 A 在每個亞組都更好，但合計起來卻看似更差——因為方法 A 被更多用於更難處理的大型腎結石案例（樣本選擇的混淆）。辛普森悖論告訴我們：在做決策之前，必須思考是否存在關鍵的分群變數，合併統計可能掩蓋完全相反的實際情況。
為什麼 AI 模型容易混淆相關和因果
目前絕大多數的機器學習模型，從線性迴歸到深度神經網路，本質上都是在學習輸入變數和輸出變數之間的統計相關性，而不是學習因果機制。這帶來了幾個重要的限制：
脆弱性（Brittleness）：如果模型學到的是相關性而非因果，當環境改變時（原本的相關性消失或反轉），模型就會失效。例如，電商推薦系統學到「買尿布的用戶同時也買啤酒」（著名的啤酒尿布案例，因為年輕父親常一起買），但如果促銷改變了這個購買模式，相關性就消失了。
無法支持干預（Intervention）：知道「下雨天外帶訂單減少」是相關性（雨天和訂單量的統計關聯），可以幫助我們預測；但要決定「如果我們在雨天提供折扣，訂單量會增加多少？」就是干預問題，需要因果推論，不能直接用相關性推算。諾貝爾獎得主 Judea Pearl 提出的因果階層，清楚區分了三個層次：「看到（Seeing）」對應統計關聯，「做（Doing）」對應干預和反事實，「想像（Imagining）」對應更複雜的反事實推理——目前的 AI 大多只停留在第一層。
回應策略（Gaming）：當用戶知道 AI 系統的決策邏輯後，他們可能會刻意製造符合「相關性」的假象。最典型的例子是徵信系統：如果信用評分模型學到「有養貓的用戶還款率更高」（純屬相關，因為養寵物通常反映更穩定的生活型態），一旦這個模式廣為人知，貸款申請人可能為了提高信用分而刻意表示自己有養貓，而這時這個特徵就失去了預測能力。
應用場景
| 場景 | 容易犯的錯誤 | 正確分析框架 | 識別混淆變數的方法 |
|---|---|---|---|
| 行銷分析：廣告點擊率 vs 購買率 | 以為點擊率高直接導致購買率高 | 可能有「用戶原本就有購買意圖」的混淆：有意圖的人既更可能點廣告也更可能購買 | A/B 測試：隨機分組，控制其他變數 |
| 教育研究：補習班 vs 成績 | 上補習班導致成績提升 | 家庭社經地位是混淆變數：有錢的家庭既能負擔補習班，又能提供更好的學習環境 | 固定效應模型，控制家庭背景變數 |
| 醫學研究：咖啡 vs 心臟病 | 喝咖啡會導致心臟病 | 吸菸是混淆變數：吸菸者更可能喝咖啡且更可能得心臟病 | 隨機對照試驗（RCT）或統計控制吸菸變數 |
| HR 分析：遠端工作 vs 生產力 | 遠端工作直接影響生產力 | 能選擇遠端工作的通常是資深員工，本來生產力就高（選擇性偏誤） | 雙重差分法：比較政策前後的變化差異 |
| 電商分析：評論數 vs 銷量 | 評論越多銷量越好 | 反向因果：銷量高才能累積更多評論，兩者互相強化 | 自然實驗：利用評論功能上線前後的對比 |
| 產品分析：功能使用 vs 留存率 | 使用某功能直接提升留存率 | 原本更投入的用戶既更可能用深度功能，也更可能留存（混淆） | 工具變數法或 A/B 測試強制推送功能使用 |
常見誤區
誤區 1：「AI 模型找到高相關性特徵，就代表找到了因果關係」
機器學習模型是非常強大的相關性探測器，但完全不具備自動辨識因果關係的能力。模型可能學到一個強大的預測規律，但這個規律背後可能是真實的因果機制，也可能是混淆變數造成的虛假相關，或純粹是訓練資料的巧合。一個金融信用評分模型可能發現「居住在特定郵遞區號的申請人違約率更低」——這是真實的統計相關，也許可以用來預測；但如果把這個相關解讀為「住在這個地區導致更好的還款行為」，並據此拒絕其他地區的申請，就是在利用一個沒有因果支撐的相關性做歧視性決策（地理歧視）。負責任的 AI 應用需要問：這個模型特徵背後有合理的因果機制嗎？還是只是相關性？
誤區 2：「相關係數接近 0 就代表兩個變數沒有關係」
皮爾森相關係數衡量的是線性關係的強度。兩個變數之間完全沒有線性相關（r ≈ 0），並不代表它們沒有關係——它們可能有很強的非線性關係。最典型的例子：如果你計算 x 和 x²（x 的平方）之間的皮爾森相關係數，當 x 的值在 -a 到 +a 的對稱範圍內，r 恰好等於 0（因為線性趨勢被正負對稱抵消），但 x 和 x² 之間顯然有非常明確的函數關係（拋物線）。在 AI 特徵工程中，這個誤解可能讓你錯誤地刪掉實際上對模型很有用的特徵。解決方案：不要只看皮爾森相關係數，同時看散布圖（Scatter Plot）的視覺形狀，或使用能捕捉非線性關係的互信息（Mutual Information）等指標。
誤區 3：「只要樣本量夠大，統計相關就能代表因果」
這個誤解認為：只要資料量夠大，統計分析就能自動揭示因果。事實恰恰相反——大樣本只會讓統計相關性更精確、更顯著，但不改變它的因果解讀能力。有了 100 萬筆資料，你能非常精確地估計出冰淇淋銷量和溺水人數的相關係數是 0.87，但這個 0.87 仍然是混淆變數（氣溫）造成的虛假相關，和樣本量多寡無關。更嚴重的是，大樣本會讓微小的相關性達到「統計顯著性（p < 0.05）」，讓人誤以為這個相關性是「重要的」——但統計顯著性和業務重要性、以及因果性都是完全不同的概念。建立因果關係需要的不是更大的觀察資料集，而是正確設計的實驗（如 A/B 測試）或因果推論方法論。
小練習
練習 1：識別混淆變數和因果方向
以下四個「發現」，請分析：這是真實因果、還是虛假相關？如果是虛假相關，混淆變數可能是什麼？如果可能是反向因果，請說明。
發現 A：研究發現，家裡書本數量越多的孩子，學業成績越好（相關係數 0.61）。媒體報導建議：「多買書放家裡，孩子成績就會提升！」
發現 B：分析台灣便利商店資料，發現「外帶熱飲銷量」和「緊急煞車事故件數」在時間序列上高度正相關。
發現 C：醫院記錄顯示，接受過侵入性手術的病人，出院後一個月的死亡率（3.2%）遠高於未接受侵入性手術的病人（0.8%）。
發現 D：社群平台分析發現，每天使用平台超過 3 小時的用戶，平均生活滿意度評分明顯低於使用不足 1 小時的用戶，差異在統計上高度顯著（p < 0.001）。
查看答案
**發現 A：家中書本數 vs 學業成績** 類型：**虛假相關（混淆變數）**，媒體的建議是錯的。 混淆變數：**家庭社經地位和父母教育程度**。高教育程度的父母既會在家中放更多書，也會更重視孩子的教育、花更多時間陪伴學習、能負擔補習費用——這些因素才是真正影響學業成績的原因。「把書放家裡」不會自動提升成績，除非同時伴隨著閱讀習慣的培養（而這需要父母引導，背後還是父母教育程度的因素）。 真正的因果可能部分存在（閱讀確實對學業有幫助），但「家中書本數量」作為一個變數捕捉的主要是社經地位，而非直接因果。這個案例也說明：即使相關係數高達 0.61，也不能直接推斷政策效果。 **發現 B：外帶熱飲 vs 緊急煞車事故** 類型：**虛假相關（共同原因）**，很可能是純粹的季節性巧合。 混淆變數：**天氣和季節**。冬天天冷，外帶熱飲銷量增加；冬天路面濕滑、霧氣影響視線、下雪結冰（台灣高山地區）或豪雨，也導致緊急煞車事故增加。兩者都受天氣驅動，彼此之間沒有任何合理的因果機制。這是「季節性共同原因」造成的典型虛假相關。 此外，台灣早上通勤時段外帶熱飲最多，早上通勤也是事故高峰，時間段的重疊也是混淆因素。 **發現 C：侵入性手術 vs 術後死亡率** 類型：**嚴重的選擇性偏誤（反向因果方向的混淆）** 混淆變數：**病情嚴重程度（疾病嚴重度）**。侵入性手術的對象通常是病情更嚴重的患者——正是因為他們病情危重，醫師才不得不採用高風險的侵入性手術。病情嚴重（原因）既導致需要侵入性手術，也導致更高的死亡率，手術本身不是獨立的死亡原因。 這個情形在醫學統計中被稱為「健康用戶偏誤（Healthy User Bias）」的反面——接受侵入性手術的群體本來就是最脆弱的患者群體，直接比較死亡率是在比較兩個完全不同健康程度的群體。正確的評估需要針對**相同病情嚴重程度**的患者，比較接受手術組和未接受手術組的差異（這正是 RCT 隨機對照試驗的目的）。 **發現 D：社群平台使用時間 vs 生活滿意度** 類型：**方向不確定，可能雙向因果，也可能有混淆** 可能的解釋一（正向因果）：長時間使用社群媒體確實降低了生活滿意度（社會比較、焦慮、睡眠剝奪）——這是許多心理學研究的假設方向。 可能的解釋二（反向因果）：生活滿意度本來就低的人（更孤獨、更焦慮），才更傾向於花大量時間在社群媒體上尋求社交滿足感——是「不快樂」先於「使用時間長」。 可能的解釋三（雙向強化）：兩個方向都有，形成惡性循環。 即使 p < 0.001 的統計顯著性，也無法確定方向。要釐清因果方向，需要縱向研究（追蹤同一批人在不同使用時間下的滿意度變化）或實驗設計（強制一組人減少使用時間，觀察滿意度是否改變）。練習 2：設計因果分析框架
一家線上學習平台想了解：「是否推薦學習夥伴配對功能（Buddy System）真的提升了課程完課率？」
他們目前有的資料：過去半年，使用了配對功能的學員（2,000 人）完課率 72%，未使用的學員（8,000 人）完課率 45%。產品經理看到這個數字後說：「差這麼多，代表配對功能真的有效！讓我們大力推廣吧。」
請回答：
- 為什麼直接比較這兩組的完課率可能無法得出正確的因果結論？
- 最可能的混淆變數是什麼？
- 要真正驗證配對功能的因果效果，你會設計什麼樣的實驗？