因果充分性假设

认为小夜灯会导致近视，这个结论是错的，因为它忽略了一个隐藏的共同原因。近视的父母更可能给孩子使用小夜灯，也会把与近视有关的基因传给孩子。因果充分性假设就是认为，你已经找出并测量了所有这类重要的共同原因。如果漏掉其中一个，比如来自父母的遗传因素，你就可能根据相关性得出错误的结论。

想一想：当我看到两件事存在相关性时，会不会有某个尚未测量的因素同时导致了这两件事？

因果充分性假设是确立因果关系的一块基石。它的意思是，对于你研究的任意两个变量，比如某个行动及其结果，不存在未测量的“混杂因素”，也就是同时影响两者的隐藏外部因素。

你可以把它想象成，努力让自己的分析处于一个“封闭系统”中。如果系统有个漏洞，也就是存在未测量的共同原因，这个原因的影响就可能从漏洞中渗入，让你正在观察的变量之间呈现出误导性的关系。违反这一假设，是把相关性误当成因果关系的最常见原因之一。

比如，一家公司可能发现，自愿参加健康促进计划的员工请病假的天数更少。是这个计划让他们更健康了吗？有可能，但更可能的情况是：本来就重视健康、做事积极主动的员工，既会报名参加计划，平时请病假的天数也自然更少。他们原本就有的健康意识，就是那个未测量的混杂因素。

类似地，一项分析可能发现，交响乐团较多的城市，失业率也较低。比起得出“交响乐团创造了就业机会”的结论，更合理的解释是：强劲的地方经济这个共同原因，既支持了艺术发展，也维持了较高的就业水平。认识到这一假设，会促使我们认真思考：数据中还有什么是我们看不到的？

在现代因果推断中，人们用有向无环图（DAG）来形式化描述这一概念。这里需要区分两个相关的想法。如果模型中任意一对变量都不存在未测量的共同原因，就认为整个系统具有“因果充分性”。不过，要估计某个特定的因果效应，比如某种处理对某个结果的影响，需要一个更有针对性的假设：这两个特定变量之间“不存在未测量的混杂”。这意味着，处理与结果的所有共同原因都已得到测量，因此可以在分析中控制它们的影响。

• Pearl 将不存在未测量混杂的假设视为从观察走向干预的前提；没有这个前提，就无法可靠地预测一项新政策或行动的效果 [1]。（2018年）
• Hernán 和 Robins 强调，这是一个无法通过检验来验证的假设，必须依靠相关领域的专业知识来说明其合理性，因为任何统计检验都无法证明不存在某个未测量的变量 [2]。（2020年）
• 对小夜灯研究的重新分析是一个经典例子：最初的研究违反了这一假设，父母近视这一未测量的混杂因素解释了原先观察到的相关性 [3]。（2000年）

在复杂的现实系统中，“不存在未测量的混杂”这一假设几乎从来无法完全成立。由于无法用已观察到的数据来验证这一假设，研究者必须利用领域知识来论证它的合理性。为应对这一挑战，人们发展出了“敏感性分析”，用来正式评估：如果存在潜在的未测量混杂因素，结论还能有多稳健。例如，Rosenbaum 的方法会检验，一个未测量的混杂因素需要有多强的影响，才足以改变研究结论 [5]。后来，人们又提出了一个直观的指标——E值。它表示，一个未测量的变量与处理和结果分别至少需要有多强的关联，才能解释掉观察到的效应 [6]。