因果链为什么要校验时序？相关为什么不等于因果？

简化版

相关只说明两件事一起变化，不说明谁导致谁。两个指标同时下降，可能是 A 导致 B、B 导致 A（反向因果）、有第三个因素同时影响两者（混杂因素），也可能纯属巧合。严格的因果需要实验或因果推断方法，数据分析 Agent 通常做不到；但有一条成本很低又很硬的必要条件可以用代码校验：原因必须发生在结果之前。时序不成立，一定不是原因；所以归因系统里，「原因」必须带时间锚点，且不晚于它解释的现象，否则降级为「现象」。时序校验排除不了所有错误归因，但能排除最明显的一类。

详细版

两个指标相关，可能的解释：

解释	例子
A 导致 B	排片减少 → 票房下降
B 导致 A（反向因果）	票房下降 → 影院减少排片
混杂因素 C 同时影响两者	档期结束 → 排片和票房同时下降
巧合	两条恰好同向的曲线，没有任何关系

数据分析 Agent 能做到的因果证据等级：

弱   相关：两个指标一起变化
     ↓
     时序：原因的变化发生在结果之前（代码可校验）
     ↓
     排除：排除了已知的混杂因素、横向对比没有同样变化的对照组
     ↓
强   实验：A/B 测试、随机对照（分析系统通常做不到）

时序校验的规则：

原因没有时间锚点        → 降级为现象
被解释的结论没有锚点     → 无法比较，不因此降级原因
两者都有锚点            → 统一到同一粒度比较；原因晚于结果 → 降级为现象

完整版教学

一、为什么模型特别容易把相关说成因果

大模型生成归因时，最自然的写法是「A 下降，导致 B 下降」。这种句式在训练数据里非常常见，读起来也很合理。但在数据层面，模型看到的往往只是两个指标在同一段时间里都变了，它并没有、也没有能力验证因果关系。常见的错误归因：

同期出现：「口碑下滑导致票房下降」——两者在同一周都下降，但口碑下滑晚了 5 天
方向颠倒：「排片下降导致票房下降」——实际上是影院看到票房差才减排片
遗漏共因：「上座率下降导致票房下降」——两者都是档期结束的结果

所以归因系统不能只让模型「讲一个合理的故事」，要有代码来排除明显站不住的故事。

二、相关不等于因果的四种情况

反向因果。 排片和票房通常同向变化，但因果方向往往是双向的：排片多带来票房，票房好也会带来更多排片。只看相关系数，看不出方向。

混杂因素。 档期结束时，排片、票房、上座率可能同时下降，它们之间并没有直接的因果关系，而是共同受「档期结束」影响。

选择偏差。 只分析「票房下滑的影片」，会发现它们普遍口碑一般，但口碑一般却票房很好的影片被排除在样本外了。

巧合。 两个指标都在长期下行，计算相关系数会很高，但彼此毫无关系。数据越多、比较的指标组合越多，出现伪相关的机会越大。

记忆钩子：相关回答「是不是一起变」，因果回答「改变 A 会不会改变 B」。前者看数据就能知道，后者需要排除其他解释。

三、时序为什么是最值得先做的校验

严格的因果推断（随机实验、双重差分、工具变量等）需要特定的数据条件和研究设计，数据分析 Agent 很难自动完成。但时序校验有三个优点：

代价低：只需要比较两个时间点
判据硬：原因晚于结果，就一定不是这个结果的原因
可自动：时间锚点可以结构化输出，由代码比较

它的边界也要清楚：时序成立是必要条件，不是充分条件。原因早于结果，不能证明因果；但原因晚于结果，一定能否定因果。所以时序校验的作用是「排除」，而不是「证明」。

四、时间锚点的设计

要做时序校验，模型输出的每条「原因」必须带时间锚点。锚点的格式要限定：

只接受有限几种写法，比如：到日（2025-07-19）、到月（2025-07）
其他写法（「上映后不久」「七月中旬」）一律当作没填

不同粒度的比较，要先统一到同一个时间点。一种可行的约定是月份取该月最后一天：原因锚点是「2025-07」、结果锚点是「2025-07-15」时，把原因当作 7 月 31 日，比结果晚，判为时序不成立。这是偏保守的约定——粒度粗的原因不能用来解释月中的变化。

五、各种缺失情况怎么判

情况	判定	理由
原因没有锚点	降级为现象	无法证明它发生在前面
被解释的结论没有锚点	不比较，保留原因	拿不到对方的时间点，不是这条原因的错
两者都有，原因不晚于结果	通过	满足必要条件
两者都有，原因晚于结果	降级为现象	违反时序

降级而不是删除：这条结论的数据可能是真的（比如口碑确实下滑了），只是不能作为那个结果的原因，作为现象依然值得写进报告。

六、时序之外，还能做什么

在时序校验的基础上，分析系统还可以逐步增加证据强度：

横向对照：同期其他对象没有这个变化 → 更可能是这个对象自身的原因
纵向对照：同一个对象历史上出现过同样的前因后果
统计检验：差异、趋势、变点是否显著，而不是肉眼看出来的
排除共因：检查大盘、档期等共同因素是否也在变化

例如板块房价跌得比别处多，先比同区其他板块（是不是整个区都在跌），再比全市，再比其他城市——逐层排除「大家都在跌」这个共同原因，剩下的才更可能是这个板块自己的原因。

七、报告里怎么写因果

即使通过了时序等校验，报告里的措辞也要克制：

不推荐：「口碑下滑导致票房下降 40%」
推荐：  「口碑下滑发生在票房下降之前，两者可能相关；同期排片占比也下降了……」

把「支持这个判断的证据」和「还不能排除的其他解释」一起写出来，比给一个确定的因果结论更负责，也更符合数据实际能支持的结论强度。

八、常见误区与追问

• 误区：两个指标相关系数很高，就可以写成因果。 可能是反向因果、混杂因素或巧合，相关只能说明一起变化。
• 误区：时序成立就证明了因果。 时序是必要条件，只能用来排除错误归因，不能证明因果。
• 误区：锚点写成「上映后不久」也可以比较。 模糊写法无法比较，只接受限定格式，其他一律当作没填。
• 误区：被解释的结论没有时间锚点，原因也要降级。 拿不到对方的时间点不是原因的错，应该不比较、保留原因。
• 误区：时序不成立的结论直接删掉。 它的证据可能是真的，降级为现象保留更合适。
• 追问：月份和日期怎么比较先后？ 统一到同一个时间点，比如月份取该月最后一天，偏保守地判断。
• 追问：怎么排除混杂因素？ 横向和纵向对照：同期其他对象、全市大盘、历史同期是否也有同样变化。

九、加强记忆

相关只说明一起变化，可能是正向因果、反向因果、混杂因素或巧合。模型天然爱把同期变化写成因果，所以要有代码排除站不住的归因。时序是代价低、判据硬、可自动化的必要条件：原因晚于结果一定不是原因，但时序成立不能证明因果。实现上原因必须带限定格式的时间锚点，模糊写法当作没填；不同粒度统一比较，比如月份取月末。原因无锚点或晚于结果就降级为现象；被解释的一方无锚点则不比较。时序之外再用对照、统计检验和逐层排除共因提高证据强度，报告措辞保持克制。