一句话说清
两件事一起变，不一定是这件事引起了那件事。
为什么值得懂
「相关不等于因果」是科学和生活中最值钱的一句话。吃了某药病好了、用了某方法成绩涨了、某产品一打折销量就升——这些「一起发生」很容易被当成「因为所以」。懂了它，你能看穿大量伪因果的忽悠，也不会自己乱下结论，判断更靠谱。
零基础讲解
相关，是两件事「一起变」：A 涨 B 也涨，或 A 涨 B 反而跌。比如「吃冰淇淋的人越多，溺水的人越多」——它们确实同时出现，这叫正相关。因果，是一件事「导致」另一件事：A 是 B 的原因。吃冰淇淋不会导致溺水，真正的原因是「夏天天热」——天热，人既多吃冰淇淋，也多去游泳，才都变多。这就是隐藏的「第三变量」。
相关和因果之间有三种常见关系：A 引起 B；B 引起 A（因果倒置）；或者 C 同时引起 A 和 B（第三变量、伪相关）。还有一种纯属巧合：比如某年「冠军球队球衣颜色」和「股市涨跌」碰巧同步，没有任何关系。
所以看到「A 增加，B 也增加，所以 A 导致 B」，先别急着信。要确认因果，得看有没有其他解释、时间先后对不对（因在果前）、有没有排除干扰变量，最好有对照实验。
相关和因果最容易在《统计基础》的“第三变量”上翻车。
一个例子
假设有人说：「常喝咖啡的人，得心脏病的少，所以喝咖啡保护心脏。」先别急着下结论。也可能是因为喝咖啡的人普遍生活悠闲、压力小，是「生活状态」同时影响了喝咖啡和心脏健康；甚至可能是身体好的人才敢多喝咖啡（因果倒置）。要判断，得比较「喝咖啡」和「不喝咖啡」两组在其他条件都相近时的差异，而不是只看一个相关。
常见误解
- 觉得「一起变就是因果」——可能只是巧合，或背后有第三个共同原因。
- 觉得「先发生的就是原因」——先发生不等于导致，也可能是两者都被别的东西驱动。
- 觉得「有数据、有图表就说明是因果」——数据只能展示相关，因果需要排除干扰。
应用场景
- 生活：看到「某食物防癌」的传闻，先问：是实验结论，还是只观察到相关？
- 职场：发现「加班越多业绩越好」，先想：是不是业绩好的团队本来就更拼、或行业有季节性？
- 创作：做科普、写文章时，把「相关」和「因果」说清楚，避免误导读者。
关联知识点
- 逻辑谬误（logical-fallacies，因为把相关当因果，是最常见的一种逻辑谬误）
- 贝叶斯更新（bayesian-updating，因为新证据会让我们更新对因果关系的判断）
- 反馈回路（feedback-loops，因为因果常连成环，A 影响 B、B 又反过来影响 A）
- 所属主线：因果与系统、风险与概率