相关性与因果性：识别伪相关以提升模型在真实环境的可用性

相关性表示两个指标存在同步变动趋势，因果性则代表一件事直接促成了另一件事。两者之间有着一道需要用严谨论证来填补的鸿沟。测算相关性毫无门槛但是证明因果关系却极度困难。

本文将介绍我们为何习惯性地无视这道鸿沟，拆解变量同步变动却不具备因果关系的三种核心机制，并审视这些误区在数据科学领域的具体表现。阅读后你能在轻信某个数据模式前学会提出几个关键问题。

相关性到底是什么

相关性仅仅是一个衡量两件事同步变动程度的数值指标。

如果每年 7 月冰淇淋销量和溺亡人数同步攀升，这两个指标呈正相关（Positively Correlated）且趋势一致。

Tyler Vigen 在《伪相关》（Spurious Correlations）中收集了数百个类似案例。密苏里州（Missouri）家具抛光工的数量与 Google 上搜索“巴洛克·奥巴马（Baroque Obama）”的频次高度重合。

数学层面使用皮尔逊 r 值（Pearson’s r）对相关性进行量化打分，区间跨度为 -1 到 +1：

• +1 代表完全正相关，一个指标上升另一指标绝对按同比例增长
• -1 代表完全负相关，两者走势始终相反
• 0 表示毫无关联
  

单纯从数学角度看，相关性只能确认某种现象存在，对背后的成因却只字不提。

 

https://avoid.overfit.cn/post/3018a10cbd634a2099b3b7eb24fbb2bb