Page 210 - 《社会》2022年第3期

图形的逻辑力量：因果图的概念及其应用

第一，两变量间如果存在因果关联则能够带来相关性。当两变量之
间存在因果关系时，“T 能够导致 Y”本身就意味着两者间存在相关性，
而确定这一关系是因果推断的根本目标。 值得提及的是，因果图中两个
变量间的因果关系可以直接用箭头线表示， 如图 1 左图中的 T→C 和
C→Y；也可以是经中介变量传导的链状构型，如 T→C→Y 中，尽管间
隔了变量 C，但 T 仍然是 Y 之“因”。 这在社会科学实证情境中也很常
见，例如“学习能力→高考成绩→考入大学”之间，学生需要通过高考成
绩进入大学，高考成绩在学业表现和考入大学之间充当了中介变量，但
仍不妨碍较高的学习能力与考入较好的大学 之间具 有 清 晰 的 因果关
联。然而，如果链状构型中存在中介变量，也存在产生偏差的可能，即对
中介变量的过度控制（ over鄄control）。这一情况指的是由于错误地控制了
中介变量，阻断或削弱了变量间真实的因果效应。 表 1 中绘制了过度控
制对应的因果图情况， 由于变量 A 与 C 之间的因果效应依赖 B 传导，
控制变量 B 后即消除了 A 和 C 之间存在的关系，进而会错误估计 A 和
C 之间不具有因果效应。
2. 混淆变量带来伪相关
第二，对应于叉状构型，当两变量间存在“共因”时，则在统计学上
体现相关关系。 也就是说，尽管图 2（b）中 B、C 两变量之间不存在因果
关系， 但由于同时受到混淆变量 A 的影响而表现出统计学相关性。 典
型案例为俗语“一打雷就下雨”，从气象成因的角度，打雷并非下雨的原
因；但如果记录打雷和下雨同时出现的频率，则呈现高度的相关。 这种
相关性之所以存在，在于打雷和下雨具有相同的原因（如湿度达到一定
水平形成积雨云等）。 对于希望确定变量间因果关系的实证社会科学研
究来说，如不加分辨和处理，此类相关关系可能误导研究者得出两变量
之间存在因果关系的结论，因而被称为伪相关（spurious association）。 这
是因果推断中最常见的一种偏差来源。 此时，如表 1 所示，如果控制混
淆变量 A，则 B、C 两变量间的相关性被消除。 其原因在于，既然变量 A
是导致 B、C 之间存在相关性的原因， 那么将变量A 的信息引入系统
后 ， 相 当 于 将 样 本 按 照 变 量 A 的 取 值 划 分 为 特 定 数 量 的 小 组 ， 对
变 量 B、C 关系的探索发生于各小组内部。 此时，变量 A 的因素被消除，
B、C 之间的伪相关将不复存在， 这也是定量研究中加入控制变量的原
因所在。

· 203·