相关性和因果性怎么区分？

相关是两个变量一起变，因果是一个的改变引起另一个的改变。混淆来源三种：混杂变量——冰淇淋销量和溺水都由夏天驱动；反向因果——不是员工满意带来绩效，可能反着；巧合——小样本总能找到高相关的两列数。验证因果的金标准是随机对照实验。

我讲一个业务案例：数据显示用优惠券的用户复购率更高，运营想加大发券。我提出质疑——可能是高意愿用户本来就更爱领券。做了小规模随机实验：随机发券组与不发券组，复购差异缩到不显著，说明券没有创造复购只是筛选了用户。结论从『加发券』变成『把券发给边际用户』。观测数据提假设、实验数据下结论，是我的默认工作流。

我系统讲因果推断工具箱：能实验就实验——随机化消除一切混杂；不能实验用准实验——双重差分（政策前后+对照地区）、断点回归（规则阈值两侧）、工具变量（找只通过处理变量影响结果的外生变量）、合成控制。核心思想都是构造反事实。数据分析从业者能把『我们发现相关』升级为『我们如何逼近因果』，是价值分水岭。

追问『辛普森悖论』：分组趋势与合并趋势相反，源于分组权重差异，所以看数据必须先分层；『A/B 就是完美因果吗』：随机化下的平均处理效应可信，但存在溢出效应与样本不代表性时要修正；『业务等不及实验怎么办』：准实验设计加敏感性分析，结论标注置信等级。