11.6 因果推理中的错误
我们已经讨论过批判性思维拒绝如下因果解释。
过度复杂的
与已知事实或理论不相容的
模糊、歧义或循环的
由于其他原因不可检验的
另外，我们拒绝与下面两个谬误有关的因果解释：
□杰夫·富尔彻，以前是我们的学生，读过本书，现任阿拉斯加航空公司飞行员。看！读完本书就能拥有如此激动人生的职业生涯。（这是“在此之后，因是之故”的谬误。）
□在此之后，因是之故（认为两事件前后相继就能证明在前事件是在后事件的原因）
□共同变化，是为因果（认为共变的事件之间有因果关系）
上述两谬误用公式表示为：
共同变化，是为因果：
A和B之间有共变关系
由此证明，A是B的原因（或特定的A引起了特定的B）。
在此之后，因是之故：
A与B前后相继（或特定的A与特定的B前后相继）
由此证明，A是B的原因（或特定的A引起了特定的B）
之所以说它们是错误的推理，是因为这些推理没有排除下面三种可能性。
1.A与B之间的联系是巧合。例1：你服用了Zicam而且感冒并未发作，这能证明是Zicam的作用吗？答案是否定的。这个结果也许纯属巧合。例2：干洗店附近的癌症发病率明显偏高，这能证明干洗业务是癌症高发的原因吗？答案是否定的。癌症发病率的升高也许是偶然的。（癌症病例在各区域的分布并不均衡。）
2.A和B都是由第三种因素导致的（“潜在原因”）。例1：假设你发现每次睡前不刷牙早起就头疼。这能证明不刷牙是头疼的原因吗？不。不刷牙和头疼都可能是由于潜在的原因引起的，如睡得太晚或喝酒太多。例2：随着保暖内衣的销售量增加，供暖的锅炉也烧得更旺，这意味着两者之间有因果联系吗？不。由与之共变的潜在原因：当天气变冷时，人们加强供暖也在穿着上注意保暖。
3.是B引起了A，而不是反过来A引起B（“混淆因果”）。例：积极的心态与健康的身体相关联，这能证明积极的心态带来健康的身体吗？不。有可能正好相反：因为身体健康带来了积极的心态。
需要说明的是，如果B在A之后发生，不可能说B引起了A，因此，以先后为因果与混淆因果的是两种不同的错误。
现实生活 生日巧合
杰夫的生日是1月24日，他女友萨曼塔的生日也是这一天！杰夫和萨曼塔都觉得这是缘分，“我们是天生的一对”。
生日相同的人的确缘分更深吗？
也许并非如此。不考虑闰年的话，两个人的生日相同的概率是1/3652，但如果两个人的生日分别在某一天，其概率也是1/3652。例如，若杰夫的生日是1月16日而萨曼塔的生日是3月30日，这种概率也是1/3652。如果杰夫和萨曼塔的生日真是后一种情形，他们还会觉得这很特别吗？或许不会。
事实上，无论事件以何种组合出现，事件以该组合出现的概率都很小。以这种方式来思考问题，你就会发现，几乎所有的事情都是巧合，也就是说，并没有更巧合的事情。
让我们做个实验。问问你身边的人生日是哪一天。比起他的生日和你不同，如果他的生日和你相同会让你更惊奇吗？你不该这样的。
体检中的混淆因果
如果你认为人们通常不会混淆因果，那就问问他们，如果你体检时某项指标呈阳性，你患有该疾病的机会是多少。例如，你是男性，在准确率为90%的男性膀胱癌检测中，你的体检呈阳性，这说明你有90%的机会患膀胱癌吗？不必然。如果你这么想，你就混淆了原因和结果。这一点非常重要，让我们做详细解释。
体检呈阳性是针对患有疾病的结果而言的。例如，对男性膀胱癌检测的准确率为90%，通常是指：在具备原因的人（膀胱癌患者）中，90%的人具备结果（体检呈阳性）。如果你是男性，而且在这项体检中呈阳性，为确定你患膀胱癌的机会，还需要知道另外两方面的信息：（1）多大比例的没患膀胱癌的男性在体检中呈阳性（“假阳性”），（2）男性膀胱癌的发病率（“基准率”）。
还是这个例子，假如有10%没患膀胱癌的人在体检中呈阳性，男性患膀胱癌的基准率为1%，那么在每1000个男人中，平均有
10人会患膀胱癌
这10人中有9人体检呈阳性
990人不会患膀胱癌
这990人中99人体检呈阳性
这说明，每1000个男性中，平均有108人体检呈阳性；而这108人中，只有9人是膀胱癌患者。所以，在这些给定的数据下，如果一个男性膀胱癌体检呈阳性，那他患膀胱癌的机会不是90%而是8%（9/108）。
人们不仅在体检时会犯此错误，在身体出现其他症状时也往往陷入错误的思考。90%的心脏病患者都有症状X并不意味着90%有症状X的人都有心脏病，这么思考是颠倒了原因和结果，症状是身体状况的结果而不是其原因。
忽视统计回归
“统计回归”和“均值回归”指在测量总体的平均值时体现的统计特性。例如，40岁男子的平均身高是5英尺10英寸，假如你要测量一群40岁男人的孩子的平均身高，这些父亲的平均身高高于6英尺4英寸，这些孩子的平均身高会更接近于5英尺10英寸。也就是说，父亲们超高的孩子们的平均身高会更接近于总体的平均值。有人会疑惑为什么父亲是高个子的，孩子们的平均身高会低于父亲的平均身高。对这个问题的解释与因果联系无关。事实上，上述孩子们的平均身高又会低于他们的孩子的平均身高，这显然也不能用因果联系来解释。
假如你给学校的新生测试判断正误的题目，让他们猜测题目的答案。一些测试者的成绩会在50%以上，一些测试者的水平会在50%以下，但总体成绩会在50%左右。如果对其中60%以上的人再进行一次判断正误的测试，让他们猜测题目的答案，他们第二次的测试成绩会比前一次更接近50%。这两个例子都是对统计回归原理的说明。
你也许会思考为什么常常会有这样的现象：如一个篮球队员在一场比赛中表现非凡之后往往难以在下一场比赛中再展雄风；一个安打率非常高的年度大联盟棒球新秀往往在他的第二个赛季中表现得略显逊色。通常人们对这种退步提出各种解释：是成功让他们不再专心？其他队员开始盯上他了？换教练啦？但有可能这只是统计回归。
上述现象中随时都有可能发生均值回归。再举两个例子：2007年7月每天死于伊拉克的美国士兵异常多吗？无论是否有增兵或其他干预因素，8月份的这个数字很可能会下降。从一组心脏病人中，选择那些平均血压读数异常高的人，给这些人服用一种药，再给他们量血压会发现，第二次的平均值会降低，即会接近整组人的平均值。（这个例子解释了之前我们举的Zicam的例子中为什么要把潜在的感冒患者随机地分为实验组和对照组。）
这并不是说增兵或治疗心脏病的药不起作用。在治疗心脏病的例子中，患者要随机地分在实验组和对照组，也就是说，血压读数异常高的人要大致均等地分在两个组。没有这一点做保障，很难从“治疗”之后的某些好转得出结论：治疗导致了好转；好转也许只是回归。
缺乏否证，所以得证
有时会听到下述言论：
“没能证明Zicam不能预防感冒……”
或许人们发表上述言论时要表达的意思是：没能否证因果假说就增加了假说成立的可能性。果真如此吗？
的确有否证因果联系的案例。例如，一个教师有理由认为学生的高成绩来自作弊时，学生就会试图否证老师的假说。哲学史上的一个著名论证也是否证，这个论证否证我们的世界是由善良而且万能的上帝创造的，因为在我们的世界上存在着邪恶。
但一般而言，不能否证因果假说只是没有触及假说是否为真的理由：缺乏否证本身并不当然为证实假说提供了任何理由。
诉诸传闻
在第10章我们讨论过基于传闻证据进行概括的错误。有时候，传闻也用于验证或否证因果假说。以这种方式进行推理的一个例子就是：波尔多葡萄酒能预防感冒，因为查理叔叔喝波尔多而他几乎不感冒。下面的主张是一个类似的推理：吸食大麻不会伤及肺部，因为他有个朋友吸食大麻而这个人肺部一直健康。当然很容易找到这样的论证：听说某人喝波尔多但患感冒；或听说某人吸食大麻且染有肺病。所以，这样的论证并不能说明什么问题，它只是仓促概括或“在此之后”的推理。
混淆解释和辩解
在“9·11事件”世贸中心的自杀式袭击之后，我们大学的一位发言人试图解释这次袭击的原因，有人就认为他是在为袭击辩解或认为袭击是正当的，拉什·林博更认为他该去阿富汗。
如果你不假思索地认为试图解释错误行为的原因就是为其辩解，那就犯了我们称之为混淆解释和辩解的错误。例如，有人试图解释为什么在20世纪30年代许多德国人赞成纳粹党的立场，他指出当时的德国经济一片混乱，整个国家承受第一次世界大战结束时强加给它的条约等。如果不加论证地认为这个人是在为纳粹支持者辩解或激起对他们的同情，就犯了我们所说的错误。人们有可能为了辩解而给错误的行为提供解释，但提供解释不必然是为了辩解。
