为什么-得到听书笔记
seainm作者
朱迪亚·珀尔，美国国家科学院院士，IEEE智能系统名人堂第一批10人之一，“贝叶斯网络”之父，2011年因创立因果推演算法获图灵奖。
核心内容
让因果重新回到科学的范畴，研究怎么用科学的视角看待因果。
内容摘要
因果
因果是一种超越经验的思考能力
例子：在偷尝禁果后，上帝问夏娃，“你都做了什么？”。夏娃回答，都是因为蛇，蛇骗我吃的苹果。这里，上帝问的是事实，夏娃回答的是因果。这是因为，夏娃猜到上帝可能会责备她，她想找个理由以获得宽恕。责备本身尚未发生，不在夏娃的经验之内，可这却代表了人类非常自然的思考方式。
弗朗西斯·高尔顿
达尔文表弟，19世纪著名的发明家、人类学家，统计学的鼻祖。
- 高尔顿板实验：1877年高尔顿设计的实验，小球从中央落下，经过一排排小格挡，落在排列整齐的竖槽中。小球通过滤形成了钟型曲线，也被称为「正态分布」。高尔顿在第一次过滤后面增加了一层过滤，形成了更加平缓的钟形曲线。这种叠加，和高尔顿观察到的身高变化并不相符。
- 回归平庸：高尔顿观察600多英国名人，发现他们的后辈普遍不如父辈有名。
- 相关性：高尔顿研究身高发现，身高和父亲有关联，但不是绝对的因果，他称之为相关性。
- 卡尔·皮尔逊：高尔顿的学生，他认为「世界只有相关，没有因果」，这成为了很多科学家的共识
如何看待因果
在珀尔看来，因果是人类的主观思维方式，而客观世界，只有相关没有因果。可以说，因果，是人类使用的一套学习模型，用以演绎和预测。
完善因果思考的方法
区分混杂因子
辛普森悖论：一种药，对男人有害，对女人也有害，但是对人类有益。实验组40f、20m，对照组40m、20f。实验组，8m、3f 患病，对照组12m、1f患病。针对m, 患病率30%到40%，f 5%到7.%，说明药对男性女性都有害。如果总的来看，患病率从22%到18%，说明是有利的。
混杂因子：同时影响原因和结果的因素，如上诉例子的性别。
区分：阻断混杂因子，样本不能直接相加，得分开计算。服药前男女的平均患病率是17.5%，之后是23.5%，这个药，对人类就是有害的。
找到中介因素
中介因素：a->b->c，其中的b就是中介因素。吃柠檬（a），预防坏血病（c），这里的b其实是维生素c的摄入。
这里称之为中介因素，倒不如说是「真」因，a不是重点，重点是b。如果因果模型无法被反复验证，说明只有a,而没有发现b。