数据显示：冰淇淋卖得越多，溺水事故也越多。
所以——是吃冰淇淋导致溺水吗？
把美国各月的冰淇淋销量和溺水死亡人数画成散点图，你会看到明显的正相关：销量高的时候，溺水也多；销量低的时候，溺水也少。
如果只看这张图，很容易脑补一条因果链：「大家吃冰淇淋 → 所以更容易溺水？」——听起来荒谬，但新闻标题里类似的推理每天都在发生。
「某指标与某病显著相关」
→ 读者理解成「导致」
「两者同步变化，
尚不能判断因果方向」
尼古拉·凯奇每年出演的电影数量，和泳池溺水人数也曾高度相关——没人会认为是他「导致」溺水。问题不在数据有没有相关，而在我们能不能从相关跳到因果。
两件事「一起变」，只说明它们有关联；至于 A 导致 B、B 导致 A，还是另有第三件事同时影响两者——相关本身回答不了。
两个变量同步变化的趋势：一个变大时，另一个倾向于变大（正相关）或变小（负相关）。只描述「一起动」，不说明「谁推谁」。
改变 A 会直接改变 B 的机制。需要更多证据：时间顺序、机制、排除其他解释——不能单靠一张散点图。
两个变量看起来相关，但彼此之间没有真实的因果链——关联是「假的」或「误导性的」。冰淇淋与溺水就是经典例子：相关很强，因果故事却很荒唐。
同时影响 X 和 Y 的第三变量，会让 X 与 Y 看起来有关。这里的第三变量是气温 / 夏天：
气温升高时，人们更愿意买冷饮、也更常去游泳。冰淇淋销量与溺水事故因此同涨同跌——散点图上的正相关，反映的是共同驱动因素，不是两者之间的直接作用。
如果不控制（或至少意识到）气温，你会高估冰淇淋与溺水之间的「关系」。混淆因素像一层雾：散点图上的趋势是真实的，但解释可以是错的。
冰淇淋不会「导致」溺水；夏天同时带来了更多冰淇淋和更多游泳。拆掉第三变量，两者之间的「强相关」往往就站不住脚了。
| 错误推理 | 为什么有问题 |
|---|---|
| 「相关很强，所以 A 导致 B」 | 可能是 B→A、双向、或第三变量；强度 ≠ 因果 |
| 「有机制故事，所以数据证明了因果」 | 好故事也可能配的是虚假相关；需要设计与证据 |
| 「控制了明显因素就够了」 | 未测量的混淆因素仍可能存在 |
A 通过什么路径影响 B？如果路径荒唐（吃冰淇淋→溺水），就要怀疑是混淆因素。
有没有同时驱动两者的时间、季节、政策、人群结构？
随机对照、自然实验、长期追踪——比单纯「挖相关」更接近因果，但仍要读细。
「相关」「关联」「风险因素上升」≠「导致」「引发」「罪魁祸首」。
你可以试试：拖动滑块改变噪声大小（噪声越大，点越散、相关越弱）；下方会显示真实算出的相关系数 r。再点「揭秘第三变量」，看气温如何同时推动两边。
相关较强时，点沿右上方聚拢——但还不能说冰淇淋「导致」溺水。点「揭秘第三变量」看原因。
同步变化只说明有关联；谁导致谁，需要机制与更多证据。
强相关也可能讲不通因果故事——冰淇淋与溺水就是典型。
第三变量（如夏天/气温）同时推 X 和 Y，制造「假链条」。
先问机制与第三变量； headline 里的「导致」往往跳步太多。