几乎的关联就足够了吗？在这种情况下，为什么还要烦恼因果关系？

我们知道橙子可以防止坏血病，难道没有这种不可辩驳的关联吗？但是，如果橙子用完了怎么办？不知道真正的因果关系，维生素C，您可以尝试香蕉，众所周知，吸烟会导致肺癌（以及肺部疾病和心脏病），并且吸烟与这些疾病之间的相关性是无可辩驳的。为什么要烦恼因果关系？因为了解了实际原因和实际的作用机理，所以有可能更多地了解我们不知道的其他原因，我们知道如何检测癌症，也知道如何成功地治疗癌症，但事实是，没有人知道导致癌症的原因。

因果关系不仅仅是统计的一个方面

它是对统计数据的补充，它是一种丰富的功能，可让统计数据揭示传统方法无法发现的世界运转情况，在这样的背景下，他们会告诉你，在没有进行对照实验的情况下试图确定因果关系是困难的或不可能的， 这就是问题的一部分，缺乏对因果分析的低估，这与确定性无关，这是概率性的，也许因果关系不是必不可少的？如果您知道某些事情以一定程度的可预测性和规律性发生，那么您真的需要知道为什么吗？

相关和因果关系定量方法的应用范围比商业和管理要广泛得多

男女之间或男女之间收入不平等的根本原因是什么？大数据和分析的商业化，着重于管理/战略咨询，这使我们的注意力从这些技能的潜在使用（而且通常是不为人所注意）转移到了想说的之外，如果可以在数据中找到足够的相关性以做出正确的决定，那么这样做可能不值得花费时间和成本。

我不知道为什么当您考虑到没有因果关系而犯下许多可怕的错误时，为什么将因果关系视为“不值得的时间和成本”

药物的临床试验就是一个很好的例子，从数据中得出的推论几乎有一半是错误的，造成了灾难性的后果，假设升高HDL的药物可预防心脏病发作（现实-HDL是心脏健康的指标，而非原因）。

数据科学中一个肮脏的小秘密：计算机中的模型会衰减

一些非常迅速。因果模型？吸烟会导致心脏病。超速行驶会导致死亡和财产损失。我必须对“足够相关”的概念表示怀疑。度量的任何方法（p值，F统计量，其他统计量）仅是根据数据进行的数学计算，完成后，除建模者的输入（读取：偏见）外，没有任何因果关系的信息，信任但要验证！” 我不知道体现在画面中。我处理过的因果模型全都包含在概率中。与0对1的统计数据（例如p值或R平方）相比，这是一个微妙但本质的区别，它们是基于数据的“统计数据”，而不是联合概率。

如果您要构建用于销售和营销目的的机器学习模型

那么了解某种程度的精确度就足够了，但是如果您想了解一下为什么您的供应链似乎会出现问题，那么就需要进行一些因果分析，探索因果关系时您会做什么？反事实推理意味着思考过去或未来事件的替代可能性：如果……会发生什么？换句话说，您想象与已发生或将要发生的事情相反的结果（“与事实相反”）。

制定因果推理理论，并发展了因果演算来解决因果关系问题

对后验概率和联合概率进行推理，以得出概率中的答案，这与回归模型完全不同，后者可以查看影响数据的因素，老实说商业企业要花些时间才能看到好处。

 客服热线：400-050-6600

商业联合会数据分析专业委员会