五个日常场景里藏着的假因果

吃早餐的孩子成绩好——但早餐不是原因

学校的数据显示：按时吃早餐的学生平均成绩比不吃的高15分。校长据此推行早餐计划。

问题在于：按时吃早餐的孩子背后通常有更稳定的家庭。父母有时间做早餐的家庭，往往也更关注学业、作息更规律、课外辅导更充分。

成绩差异的来源是家庭环境。"吃早餐"和"成绩好"同时出现，是因为背后有一个共同推手——家庭稳定性。

这是混淆变量：一个你没看到的C同时影响了A和B。

不拆开它：校长的早餐计划可能花了预算、改了作息，但对成绩没有实际效果。把钱花在课后辅导上，可能更有效。

调用信号：看到"做了X的人，Y指标更好"——先问做X的人和不做X的人是不是本来就不同。

警察越多的城市犯罪越高——因果方向反了

直接比较城市数据：警察数量越多的城市，犯罪率往往越高。

字面理解是"增加警察会增加犯罪"。但真实因果链恰好相反：犯罪率高的城市才会部署更多警察。是犯罪推动了警力配置。

这是反向因果。数据显示A和B相关，但方向和直觉猜的相反。

经济学家用选举周期做工具变量来拆开它——选举年份市长倾向于增加警力，而选举本身不直接影响犯罪行为。通过这个只影响警察数量、不直接影响犯罪的外部变量，才分离出"增加警察"对犯罪的真实效果。

结论翻转了：增加警察确实能降低犯罪率。

调用信号：两个变量同时变动时，先停下来想——到底是A推动B，还是B推动A。

读大学到底有没有让你更能赚钱

"大学毕业生平均收入比高中毕业生高60%"——这个数据经常用来论证教育的经济回报。

但能读大学的人，本来就在家庭资源、学习能力、社会关系上占优势。即使不读大学，这些人的收入大概率也高于只读到高中的人。60%的差距里，有多少是"大学教育"带来的？有多少是"本来就会高"的部分？

这里混合了选择偏误和混淆变量。

研究者利用地理距离做工具变量。住得离大学近的人更可能上大学，而住址和个人能力没有直接关系。用这个变量分离出教育的真实回报——远低于60%，但确实存在。

不拆开这个偏误：教育政策可能高估大学扩招的经济效果，或低估职业培训的替代价值。

调用信号：看到两组人的结果差异时，先问差异是干预带来的，还是两组人本来就不同。

广告投完销售涨了——广告可能是果不是因

一家公司发现：投放电视广告后两周内，销售额上涨了20%。市场部据此申请翻倍预算。

但广告通常投在旺季、新品上市期或促销周。销售额上涨可能是季节效应。广告只是碰巧投在了销量本来就会涨的时间段。

不是广告导致了销售，而是"预期销售会涨"导致了广告投放。这是反向因果的一个变体。

双重差分可以处理这类问题。找到一个投了广告的市场和一个没投的市场，比较两者在广告前后的变化差异。如果投了广告的市场比没投的多涨了15%，这15%才更接近广告的真实效果。

调用信号：看到"干预之后指标变好了"——先问指标是不是本来就在变好。

医疗支出越高的地区健康越差——花钱的人本来就更病

美国各州数据显示：人均医疗支出越高的州，居民健康指标反而越差。

字面结论是"花钱看病越多，健康越差"。但医疗支出高的地区，往往是老龄化严重、慢性病比例高的地方。这些地区的人更需要医疗，所以花得更多。花费高是健康差的结果。

这同时涉及选择偏误和反向因果。

断点回归能拆开它。美国Medicare的65岁分界线制造了一个天然临界点：64岁和66岁的人健康状况几乎相同，但66岁的人有Medicare覆盖、医疗支出显著增加。

比较临界点两侧人群的健康变化，就能更准确地估计医疗支出的真实效果——不是用"全国各州"这种被无数混淆变量污染的数据来比。

调用信号：看到跨地区或跨群体比较时，先找有没有政策临界点可以利用。