相关不等于因果关系，但是您如何确定因果关系？
介绍
关联不等于因果关系 -这是从小就深深钻研数据科学家的口头禅
没关系 ..
但是关于后续问题的讨论很少。
您如何确定因果关系？
由于大多数书籍和示例均基于标准数据集（例如：Boston，Iris等），因此该问题进一步复杂化。
这些示例未讨论因果关系，因为所选的特征已经确定为因果关系（例如，影响房价的因素被选择为因果关系）
因此，如果我们从头开始（没有简化示例），您如何知道特定变量是否为因果变量？
首先，因果关系不能仅凭数据确定。
数据具有关联关系，但仅凭数据无法确定因果关系
要确定因果关系，我们需要进行实验或对照研究
背景
从统计意义上讲，如果两个或多个变量的值相应地变化（即一起增加或减少），则它们是相关的。另一方面，如果两个变量之间存在因果关系，则一个变量的出现取决于另一个变量，即它们表现出因果关系。例如，吸烟导致肺癌是一种因果关系，而吸烟与酒精中毒相关，但不会引起酒精中毒。  
通常使用皮尔逊系数或斯皮尔曼系数来测量相关性。如果存在相关性，则需要进一步调查以确定是否存在因果关系。
如何建立因果关系？
建立因果关系的最有效方法是通过对照研究。
在对照研究中，样本或总体分为两部分，两组几乎在所有方面都具有可比性。
然后两组接受不同的治疗，并评估每组的结果。
例如，在医学研究中，一组被给予安慰剂，而另一组被给予新药。
因此，简而言之- “要发现更改后会发生什么，有必要对其进行更改。” ...从扰动系统中可以学到的东西，从任何数量的被动观察中都无法发现。
资料来源：http : //people.umass.edu/~stanek/pdffiles/causal-holland.pdf
受控实验的设计是一项重要的工作：
您可能有测量误差问题
受试者可能会放弃研究或不遵循说明等问题。
您将需要对事物之间的关系进行假设，以确定推断。
您的数据可能不完整/不准确
目标因果关系数量可能未明确定义
令人困惑的变量。混杂因素是既影响因变量又影响自变量的变量，导致虚假关联。
选择偏差（自我选择，截断的样本）
测量误差（不仅会引起噪声，还会引起混淆）
规格不正确（例如，错误的功能形式）
外部有效性问题（对目标人群的错误推断）

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！