统计分析中，一个常见的错误就是将相关性误认为因果关系。导致这种错误的主要原因有两类：混杂因素（confounder bias）和碰撞偏差（collider bias）。

1. 混杂因素（Confounder Bias）

当两个变量（结果）都受到同一个因素的影响，如果在分析时未能将这一因素纳入考虑，就可能会错误地认为这两个变量之间存在因果关系。（图一）

举个例子，统计数据显示西瓜销量和犯罪数量之间有很强的相关性。然而，这两者之间并不存在因果关系，真正的原因是“夏天”这个共同因素：夏天吃西瓜的人多，同时由于人们外出活动增多，犯罪率也会上升。如果忽略了这个共同的因素，就可能得出错误的因果关系。

2. 碰撞偏差（Collider Bias）

当两个变量都影响同一个结果时，若仅选取具有该结果特征的样本进行分析，就可能错误地推导出两个变量之间存在因果关系。（图二）

比如，我在社交媒体上主要发布与数学知识和健身相关的内容，通常只有对这两个话题感兴趣的人才会成为我的粉丝。如果仅分析我的粉丝数据，就可能得出“喜欢数学的人也喜欢健身”的错误结论。

在新冠相关研究中，碰撞偏差问题屡见不鲜。例如，一些研究可能仅基于确诊的病例数据进行分析，而忽略了样本的代表性和随机性，这会导致结论的偏差。因此，研究中确保样本的代表性和随机性至关重要。

我们普通人学一点统计知识很有用，可以增强辨识能力，不容易被忽悠。

#科普##统计##数据分析##相关性不等于因果关系#