1. 一个具体问题

团队发现使用某项高级功能的人续费率更高，于是计划把这个功能强推给所有用户。这里可能有因果关系，也可能是重度用户原本就更愿意续费、也更容易发现高级功能。共同出现的两个现象，并不自动告诉我们改变其中一个会怎样。

2. 一句话解释

相关描述变量共同变化，因果则询问主动改变一个因素是否会改变结果。

3. 出处与原意

这是统计推断的基本区分，不是一句可归给某位名人的完整定理。Freedman 关于回归与因果的研究提醒：计算模型无法替代对研究设计和因果假设的论证。现代因果推断通过随机实验、潜在结果和因果图等框架，把这些假设表达得更明确。

4. 原理与机制

至少要区分直接因果、反向因果、共同原因和选择机制。回归里加入更多控制变量不一定更接近因果：遗漏真正的混杂有问题，控制处理后的变量也可能引入问题。可靠解释需要时间顺序、可比较的对照、稳定测量，以及对尚未观察因素的讨论。相关关系可以有预测价值，但预测成功不等于干预有效。

时间顺序是必要线索，却仍不足以单独建立因果。广告增加之后销量上涨，也可能同时发生了节日促销或供给恢复。把可能同时影响原因与结果的因素画出来，再寻找随机分配、自然实验或其他合适的识别条件，能让讨论从“同时出现”进入“什么证据能区分解释”。

5. 一个完整案例

假设案例：一千名用户中，高活跃者两百人，其功能使用率和续费率都很高；低活跃者八百人，两者都低。总体上功能使用与续费强相关。团队随机邀请部分低活跃者使用功能，最后两组续费率几乎相同。目前只能说未观察到邀请方案的续费收益；如果邀请并未提高实际使用率，或估计区间很宽，就还不能判断增加使用本身是否有效。这个结果也不否定该功能对重度用户的价值。分析应报告邀请分配、实际使用与续费结果，不能只比较实验后自愿使用的人。

6. 适用条件与反例

该原则适用于产品评估、政策与管理决策，但不能被滥用成“观察研究永远没有用”。随机实验有时不可行，严谨的自然实验或其他设计仍能提供证据，只是需要更多假设。也不是所有相关都值得忽略；它可以帮助发现问题、构建预测并提出可检验的机制。

7. 今天可以尝试的行动

把一句“因为用了 X，所以 Y 提升”改写为一个可干预问题：对哪类对象、在何时改变什么、与什么对照、观察多久。列出一个共同原因和一种反向因果解释，再设计能区分它们的数据。

8. 参考资料与关联条目