原文地址：http://wt.vankeweekly.com/blog/%B4%F3%CA%AB/articles/11884.html
因果关系、INUS定义和SUPPES定义
我们知道，因果关系对于我们想任何问题和做任何事情，都是非常重要的。甚至有很多人认为，天赋的因果联想能力，是人类得以成为“万物之灵长”的首要条件之一。在哲学上，确实存在怀疑甚至否定因果关系的意见，而且这些意见甚至不可能被驳倒。但这些意见说来玩玩可以，不可以当真，因为否定因果关系，导致的只能是不可知论。
离开因果关系，我们通过经验获取知识就成为几乎不可能的事情。赫拉克利特的诅咒就要成为现实，真实世界对于我们来说变成一条永远不可能再次踏入的河流。我们所能收获的，只能是一个一个碎片状、彼此毫无关系的观测语句。而且这些语句都是关于过去的，对我们预知未来，或者采取行动以应付未来毫无帮助。这样的世界当然是非常可怕的。
我们似乎天生就有建立因果联想的能力，也有这种冲动。比如说，我们被一株荆棘刺伤了之后，见了其他尖尖的硬东西就会躲开。再比如说，我们从小就喜欢问“为什么”，得到了一个回答就会觉得快乐。但究竟什么是因果关系，或者说如何鉴别是否因果关系，就不是每一个人能够讲得清楚的了。
在因果关系理解上的含混或者分歧，会严重阻碍人们之间达成共识。因果关系的确定，有时候会影响“责任”的划分，有时候会影响“当前应该做什么”之类的决定。如果双方对因果关系的界定不统一，就会发生无谓的争论。
建立因果关系，也是科学的一个本能冲动。因果关系是非常有说服力的，“知识就是力量”，这个力量很大程度上来自因果观念。所以，如果对因果关系认识胡涂，科学研究的结果只怕也是很糊涂的。进而把这样胡涂的结论付诸实践，那就非常危险了。
在因果关系问题上，最容易犯的错误是两个。一是将因果关系混同于充分/必要条件关系，在既不存在充分条件、也不存在必要条件的情况下，就认为不存在因果关系了。二是将因果关系混同于统计相关性关系，找到了数据上的正相关，就以为找到了因果关系。
这两种错误，前者通常对应于单个经验事件或比较直接的因果关联，后者通常对应于大量经验事件或比较复杂的因果关联。要避免犯这两种错误，我们就有必要了解因果关系的两种定义：INUS定义和SUPPES定义。
下面我们通过两个例子来分别说明。
第一个例子是，某甲将某乙从五楼上推下来，某乙落地后死掉了。通常情况下，某甲应该为此负责，因为我们认为某甲推某乙下楼是某乙死亡的原因。但如果用充分/必要条件关系来检验，这个因果关系就不成立。因为即使某乙不被推下去，他也未必不死，所以某甲推某乙下楼不是必要条件。另一方面，如果某乙落地的地方刚好是一个充气垫子，或者某乙身负绝世轻功，那么他即使被推下去也未必死，所以这里也不存在充分条件。
这和我们的常识显然是相悖的。由此可见，因果关系不一定是充分条件关系，也不一定是必要条件关系。在这里我们需要INUS定义，它可以帮助我们解决这一问题。
INUS定义是一个叫马奇的人提出来的，所以它也被称为“马奇定义”。INUS是它的定义的缩写：
An insufficient but necessary part of a condition which is itself unnecessary but sufficient for the result.（结果的一个不必要但是充分的条件中，一个不充分但是必要的组成部分）
这句话可以进一步简缩一下，就是：
所谓原因，就是结果的一个充分条件组中的一个必要组成部分。
也就是说，假设A和B是两个事件，那么在以下的情况下，我们称A是B的原因：
- A加上其他某些事件，可以组成一个复合条件C，C是B的充分条件；
- 如果把A从C中间拿掉，C就不再是B的充分条件。
套用到我们上面的例子中，不难发现：
- “某甲推某乙下楼”加上“楼下是硬地”加上“某乙不会绝顶轻功”是“某乙死亡”的充分条件；
- 单纯“楼下是硬地”加上“某乙不会绝顶轻功”不是“某乙死亡”的充分条件。
由此我们可以得到结论，“某甲推某乙下楼”是“某乙死亡”的原因。
当然，从上面我们也可以看出，一个结果通常不止一个原因。那么，什么是“主要原因”呢？被“辩证法”搞胡涂了的人可能会问这个问题。其实在逻辑上是没有什么“主要原因”可言的。只不过我们在实践中会根据语境来进行选择使用它们罢了。
比如“楼下没有充气垫子”和“某乙不会绝顶轻功”同样是“某乙死亡”的原因。但我们不会说某乙活该，或者去责问那块地的主人为什么不摆上一个充气垫子，这是因为我们在责任认定时，除了因果关系认定之外，还有“不能预计”、“不能选择”这样的免责条款。
INUS定义也可以帮助我们理解，为什么原因的原因不一定是原因，结果的结果也不一定是结果。
以上说的是单个经验事件。而对于大量经验事件，我们通常用统计方法进行分析。统计所能建立的是一种数据上的相关性。但是统计上的正相关，即使是非常高度的正相关，也并不等于因果关系。
有一个例子，说是有人做过统计，家里打火机数量越多，男主人患咳喘病的比例就越高。因此，在家里放太多打火机是致癌的原因。这个结论显然是荒谬的。我们一般的解释是，抽烟的人会有比较多的打火机，而抽烟的人患咳喘病的比例比较高。所以打火机多不是患咳喘病的原因，而是和患咳喘病一样，都是抽烟的结果。
但这个例子，确实说明了统计正相关不一定是因果关系。那么，有没有一个方法来验证统计正相关是否包含因果关系呢？在这里我们需要SUPPES定义。
SUPPES定义是一个叫Suppes的人提出来的。在这个定义中，概率上的正相关关系被称为“初步原因”。“初步原因”有可能是“真实原因”，也有可能是“虚假原因”。而成为真实原因的前提是：不存在一个这样的事件，在给定这一事件时，这个正相关关系趋于消失。
在上面的例子中，我们可以发现，打火机数量显然是一个虚假原因。因为如果我们给定“抽烟”这个校验事件，只考虑抽烟的人，或者只考虑不抽烟的人的话，这个正相关关系都趋于消失。
那么，“抽烟”是不是一个真实原因呢？迄今为止，我们似乎给不出任何事件，可以使得抽烟与患咳喘病的相关关系消失。但回答仍然是否定的。SUPPES定义中的所谓“真实原因”其实是不可能被确认的，因为“不存在一个证伪事件”本身就是一个不可确证的前提。
比如说，假定有一种基因，它既决定人会不会染上烟瘾，也决定人会不会患咳喘病。那么，分别对于有无这种基因的人来说，吸烟和患咳喘病之间的相关关系就消失了。
所以，SUPPES定义其实是给了我们一个证伪“初步原因”的方法。如果我们想要验证一种统计相关性是否包含因果关系，办法就是去寻找一个可让这种相关关系消失的条件。如果找到了，那么它就是一个虚假原因。而在没有找到之前，我们不妨假定它是一个真实原因。
因果关系除INUS定义和SUPPES定义之外，当然还有其他的定义方法。但就易于理解和应用而言，它们确实是最好的两种。在我看来，它和每一个人的思考和生活都息息相关，其重要价值毫不逊色于牛顿的力学定律，而使用频率则远远超过之。普及这样的常识，真应该从娃娃抓起。遗憾的是，我们的中学不开逻辑课，大学里也没有科学方法论课程。无怪乎逻辑混乱的文学青年会充塞于天地之间，而头脑胡涂的“学者”群也构成了这“文明古国”一道“亮丽的风景线”。