相关性与因果性：数据不会说谎，但会误导
产品经理的数学课 · 第20讲
相关性与因果性：数据不会说谎，但会误导
冰淇淋销量和溺水人数高度相关——但吃冰淇淋不会导致溺水。相关性不等于因果性，这是产品经理最容易犯的统计错误。
前言
你看到一个数据：「使用新功能的用户，留存率高 20%。」
你的结论：「新功能提高了留存率。」
但真的是这样吗？
也许本来就打算留存的用户更可能使用新功能——新功能没有提高留存，只是被高留存用户使用了。
相关性（Correlation）：两个变量一起变化。
因果性（Causation）：一个变量导致另一个变量变化。
冰淇淋和溺水的例子：
- 冰淇淋销量 ↑，溺水人数 ↑（正相关）
- 但吃冰淇淋不会导致溺水
- 真正的原因：夏天（天气热）→ 冰淇淋销量 ↑，同时游泳人数 ↑ → 溺水人数 ↑
相关性是真实的，但因果性是假的。
核心概念
相关系数：量化的相关性
皮尔逊相关系数（r）：衡量两个变量的线性相关程度。
$$ r = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum(x_i - \bar{x})^2 \sum(y_i - \bar{y})^2}} $$
取值范围：-1 到 +1
| r 值 | 含义 |
|---|---|
| +1 | 完全正相关 |
| +0.7 | 强正相关 |
| 0 | 无相关 |
| -0.7 | 强负相关 |
| -1 | 完全负相关 |
例子：
- 身高和体重：r ≈ 0.7（正相关，高个子通常更重）
- 学习时间和游戏时间：r ≈ -0.6（负相关，学习多通常游戏少）
- 冰淇淋销量和溺水人数：r ≈ 0.8（正相关，但无因果性）
为什么相关不等于因果？
三种情况：
情况一：混杂变量（Confounding Variable）
混杂变量（天气热）
↓ ↓
冰淇淋销量 溺水人数天气热是混杂变量，它同时影响冰淇淋销量和溺水人数。冰淇淋和溺水之间没有因果关系。
情况二：反向因果（Reverse Causation）
使用新功能 ←→ 高留存也许不是「使用新功能 → 高留存」，而是「高留存 → 使用新功能」——高留存的用户更活跃，更可能发现和使用新功能。
情况三：巧合（Coincidence）
两个变量碰巧一起变化，但没有任何关系。
例子：美国 cheese 消费量和「被床单缠住窒息而死」的人数高度相关（r ≈ 0.95）——但这是巧合。
辛普森悖论：整体和分组结论相反
辛普森悖论（Simpson’s Paradox）：整体数据显示一个趋势，但分组后趋势反转。
例子：
整体数据：
| 组别 | 转化率 |
|---|---|
| 新设计 | 5.0% |
| 旧设计 | 5.5% |
结论：旧设计更好。
分组数据：
| 用户类型 | 新设计 | 旧设计 |
|---|---|---|
| 新用户 | 3.0%（1000 人） | 2.5%（100 人） |
| 老用户 | 7.0%（100 人） | 6.5%（1000 人） |
新设计在新用户和老用户中都更好！ 但整体数据显示旧设计更好——因为旧设计主要在老用户中测试（老用户转化率本来就高）。
原因：混杂变量（用户类型）没有被控制。
如何建立因果关系？
方法一：随机对照试验（RCT）
随机分配用户到实验组和控制组，消除混杂变量。
例子：随机 1000 人用新设计，1000 人用旧设计。如果新设计组转化率更高，可以推断新设计导致了更高的转化。
方法二：自然实验
利用自然发生的随机事件（比如地区差异、时间差异）。
例子：A 地区先上线新功能，B 地区后上线。比较 A 和 B 的差异，可以推断功能效果。
方法三：工具变量（Instrumental Variable）
找一个影响处理变量但不直接影响结果的变量。
例子：用「距离商店的距离」作为「是否购买」的工具变量——距离影响购买，但不直接影响用户特征。
方法四：断点回归（Regression Discontinuity）
利用一个明确的阈值（比如年龄、分数）比较阈值两侧的差异。
例子：80 分以上获得奖励，80 分以下没有。比较 79 分和 81 分的用户——他们几乎一样，但一个有奖励一个没有。
产品经理的应用
应用场景一：功能效果评估
数据显示：使用新功能的用户留存率高 20%。
可能的因果关系：
- 新功能 → 高留存（功能有效）
- 高留存 → 使用新功能（高留存用户更活跃）
- 第三方变量 → 新功能使用 + 高留存（比如用户活跃度）
如何验证：
- 随机对照试验：随机 50% 用户使用新功能，比较留存
- 倾向得分匹配：匹配使用和未使用新功能的用户，控制混杂变量
应用场景二：用户行为分析
你发现：「周末下单的用户，客单价高 15%。」
可能的解释：
- 周末用户更放松，愿意花更多钱（因果）
- 周末用户有更多时间浏览，发现更多商品（因果）
- 高客单价用户更可能在周末下单（反向因果）
- 周末有促销活动（混杂变量）
如何验证：控制促销活动，比较同样促销条件下周末和工作日的客单价。
应用场景三：渠道归因
数据显示：「社交媒体带来的用户，7 日留存高 10%。」
可能的解释：
- 社交媒体用户质量更高（因果）
- 社交媒体用户本来就是你的品牌粉丝（混杂变量）
- 社交媒体渠道的用户更年轻，年轻人留存本来就高（混杂变量）
如何验证：用随机分配或倾向得分匹配，控制用户特征。
常见误区
误区一：看到相关就推断因果
「A 和 B 相关，所以 A 导致 B」
反例：「公鸡打鸣 → 太阳升起」——公鸡打鸣和太阳升起相关，但公鸡不会导致太阳升起。
误区二：忽略混杂变量
「新功能和高留存相关，所以新功能有效」
可能的混杂变量：用户活跃度、使用时长、用户特征。如果不控制这些变量，相关性可能是假的。
误区三：辛普森悖论
「整体数据显示旧设计更好，所以选旧设计」
分组数据显示新设计更好。整体数据的结论可能是被混杂变量扭曲的。看分组数据，不只看整体数据。
误区四：用观察数据推断因果
「观察数据显示 A 和 B 相关，所以 A 导致 B」
观察数据只能告诉你相关性，不能告诉你因果性。要推断因果，需要随机对照试验或自然实验。
PM/BA 应用
| 场景 | 相关性/因果性工具 | 决策价值 |
|---|---|---|
| 功能效果 | 随机对照试验 | 证明功能有效 |
| 用户行为 | 倾向得分匹配 | 控制混杂变量 |
| 渠道归因 | 自然实验 | 准确归因 |
| 辛普森悖论 | 分组分析 | 避免误导结论 |
| 因果推断 | 工具变量/断点回归 | 建立因果关系 |
课后测验
题目 1
数据显示：喝咖啡的人，心脏病风险高 20%。以下哪种解释最合理？
A. 咖啡导致心脏病
B. 喝咖啡的人更可能熬夜，熬夜导致心脏病
C. 咖啡和心脏病没有关系，只是巧合
D. 所有选项都有可能
查看答案与解析
答案：B（喝咖啡的人更可能熬夜，熬夜导致心脏病）
这是一个典型的混杂变量问题：
- 喝咖啡和熬夜相关（喝咖啡的人更可能熬夜）
- 熬夜和心脏病相关（熬夜导致心脏病风险增加）
- 喝咖啡和心脏病的相关性可能来自熬夜这个混杂变量
如何验证：控制熬夜变量，比较同样熬夜程度下喝咖啡和不喝咖啡的人的心脏病风险。
题目 2
你的 A/B 测试显示：新设计转化率 8%，旧设计 6%。但你发现新设计组有更多老用户。这可能是什么问题？
A. 样本量太小
B. 辛普森悖论（混杂变量）
C. p 值不显著
D. 随机分配失败
查看答案与解析
答案：D（随机分配失败）
如果随机分配成功，两组的用户特征应该相似。新设计组有更多老用户，说明随机分配没有成功控制混杂变量。
可能的原因：
- 随机分配执行不严格
- 用户自选择（不是真正的随机）
- 分层随机没有做好
解决方案：用倾向得分匹配或分层分析控制用户类型。
题目 3
以下哪种情况最适合推断因果关系？
A. 观察数据：使用新功能的用户留存高
B. 随机对照试验：随机分配用户使用新功能
C. 相关性分析：新功能使用和留存相关 r = 0.8
D. 回归分析：控制用户特征后，新功能和留存相关
查看答案与解析
答案：B（随机对照试验）
随机对照试验（RCT） 是推断因果关系的黄金标准：
- 随机分配消除混杂变量
- 两组只有处理不同，其他都一样
- 如果处理组结果更好，可以推断是处理导致的
A 和 C 只能说明相关性
D 比 A 和 C 好（控制了混杂变量），但仍然可能有未观测的混杂变量
RCT 是最强的因果推断方法。
本课要点
- 相关性 ≠ 因果性：两个变量一起变化，不代表一个导致另一个
- 混杂变量：真正的原因可能是第三个变量
- 辛普森悖论：整体和分组结论可能相反——看分组数据
- 随机对照试验：推断因果的黄金标准——随机分配消除混杂变量
- 观察数据只能说明相关性：要推断因果，需要实验或自然实验
延伸阅读
- Pearl, 《The Book of Why》 — 因果推断的通俗读物
- Holland, 《Statistics and Causal Inference》 — 因果推断的统计理论
- Angrist & Pischke, 《Mostly Harmless Econometrics》 — 因果推断的实践方法
下一步
Group C 完成！下一课开始 Group D：概率分布：用数学描述不确定性 — 常见的概率分布及其应用场景。
工具提示：每次看到「相关性」数据时，问自己三个问题：(1) 有没有混杂变量？(2) 因果方向是什么？(3) 能做随机对照试验吗？这三个问题能避免大多数因果推断错误。