为什么

无论客观世界存不存在因果关系，每个人主观上都离不开因果这个思考方式

年度“烧脑挑战”

本书关于因果关系模型的概念，基本可打开知乎搜索因果模型点开第一个搜索结果获得；举了不少例子，但切合主题能在作者限定框架下成立的没几个；序言写得又宽泛又浮夸，以为这是什么了不得的划时代巨作，但看到文中“历史学家尤瓦尔·赫拉利在他的《人类简史》一书中指出，人类祖先想象不存在之物的能力是一切的关键，正是这种能力让他们得以交流得更加顺畅”这段话差点笑喷，初中毕业的人都知道人类无法想象自己未曾见过的、不存在的事物，不然为啥上帝总是以人类形象出现、飞机总像张开翅膀的鸟啊。不过有一点是真的，不了解因果关系的人阅读本书会感到非常吃力，与作者写作水平无关，与概念本身有关。Ps.不知是原文如此还是翻译错误，作者写“我们不是神创论者，连我们的老师骨子里都是达尔文主义者”，达尔文主义者是这么用的？大写的迷惑。

不是我装逼啊，中文版真的不如英文版，翻译过来的词更晦涩了，比如implication翻译成蕴涵，你他妈给我解释一下他妈的什么叫他妈的蕴涵！

非常好看，讲述了因果推断这一个相当新的领域，而且作为一个学统计的，这里面的概念简直是mind-blowing

里程碑式的作品。真理掌握在少数人手中，庸人对于自己不理解的事情自有自己的解释方法。很多人看不懂，还要强行评论，汗。

物理定律只用统计概率规律描述因果，P(Y | do(X)) > P(Y). 如果你单方面对 X 做一个干预动作，导致 Y 的概率增加，就是 X 导致了 Y。 因果思维这种主观假设很有用。简单因果模型，就能胜过无数经验。数据是客观的，而人的观点是主观的。相关性是客观的，因果是主观的。因果分析的重点在于操作方法是否有用而不是本体是否真实。 真实世界任何事情都是错综复杂的，无法列举影响一个结果的所有可能缘故。你必须做出各种取舍，猜测你认为最重要的缘故。 贝叶斯方法先给理论假设设定可信度。新证据并不直接证实或者证伪理论，只是调整可信度的大小，做动态的判断。用客观数学手段修正主观认识。 贝叶斯方法是种实用主义态度。研究目的并非了解根本不可知的绝对真实世界，而要获取实用知识，做出尽可能准确的判断和决策。

这书读起来比推理小说还有劲：数学、科学、博弈论、科学史……太有意思了

离开因果关系谈论数据是舍本逐末。珀尔的这本书不愧为"因果革命"的一面旗帜，值得细心品味。

本书六星。

厉害大了，搞清因果机制是社会科学想追求的目标，却还处于一片混沌，这本书好像又让世界清亮了些。另外，此书某个二星评价差点让我笑喷，他的评价就让我想到那种对你的研究完全不懂的答辩专家，给你提问题时只会说：“你的ppt格式做的不规范！差评！”

这本书关于因果讨论可分为两个部分，第一部分注重思想层面的探讨，主要用的是案例和因果图示法，这部分内容值得反复研读，是非常好的思维训练，如果能完全摸透作者这套方法论，对于涉及因果的问题的理解会有质的飞跃。第二部分是作者对技术处理层面的探讨，当然对学术来说这部分很重要，但是普通读者看懂比较困难，但即便忽略所有这些内容，也不影响阅读和吸收这本书的核心内容。当然，作为一本综述性的著作，作者穿插了大量因果理论发展的历史，以及他自己的学术生涯经历，也颇有可看性，且趣味十足。如果你想对因果关系和相关关系有透彻的理解，亦或是想对学术领域成果（涉及因果的结论）有更佳的判断力，那么这本书非常值得一读，特别是作者这套因果图工具，堪称经典。 /Moon

关于因果推断的实例引人入胜，提供了因果框架的分析思路，夹杂着幽默风趣的学术八卦（对不起小小地黑了Rubin一下）。Pearl认为，思维比数据更聪明，在分析问题时需要借助主观判断的因果图，而不是一味的数据驱动。只有让计算机实现从预测到干预再到反事实的上升，才有可能制造出强人工智能。

说在前面……此书作者非常非常非常非常非常自恋，令人不适的那种自恋……如果看了序觉得无语就可以排雷了。 抛开这点不谈，作者用非数学的语言阐述因果革命的知识内涵，说明它将怎样影响我们的生活和未来。在分享重要的因果问题时，讲述前辈科学家走过的英勇征程。 认知被打破又重建的过程伴随很多怀疑和疑虑。 但不管怎么说，阅读体验中从另一角度展开的因果思考升级了我的大脑内存。 从一个笼罩着神秘色彩的概念转变为一个具有明确语义和逻辑基础的数学对象，悖论和争议得以解决，模棱两可的概念得以阐明，那些依赖于因果信息、长期被认为是形而上的或无法解决的实际问题，现在也可以借助初等数学加以解决。 在书中，因果论已经完成了数学化。

当先知，有穿透时代的分析，更要有穿透时代的坚韧。如果今天基于经验主义的人工智能应用真的在未来建立起了归纳、推断、回溯的能力，请记得judea pearl教授。

克服寻找“因果关系”的思维定势

好硬核的一本书，直到最后都毫无水。作为一个统计学都没学扎实的人，直接跳到了对统计学的“批判”。里边的思维训练案例之多，有点应付不过来；图示法简单有效，但也许问题也可能出现在简单本身——不过在这一点上，统计学甚至各类科学并无二致。核心：关注因果关系，小心建立假设，发散思维，识别各类因子；遵循三项原则，避免出现经典错误，对统计学的各类数据陷阱、悖论保持警惕。

作者以前写过一本casuality。 casuality现在已经可以量化成为一门数据科学。可是，"20年前，询问科学家是阿司匹林治愈了我的头痛吗与问他是否相信巫术相当”。这句话真的戳中了我的痛点。流行病学、社会科学统计与测量的迷人之处就在此呀，看山不是山。 这本书略微诘屈聱牙但是细细消化意味无穷，那些因果推断史上典型的案例都被提及。讨论地系统又深入，值得每个在因果推断上struggle的人都读读。最后还有些控制论的意味。

这本书关于因果讨论可分为两个部分，第一部分注重思想层面的探讨，主要用的是案例和因果图示法，这部分内容值得反复研读，是非常好的思维训练，如果能完全摸透作者这套方法论，对于涉及因果的问题的理解会有质的飞跃。第二部分是作者对技术处理层面的探讨，当然对学术来说这部分很重要，但是普通读者看懂比较困难，但即便忽略所有这些内容，也不影响阅读和吸收这本书的核心内容。当然，作为一本综述性的著作，作者穿插了大量因果理论发展的历史，以及他自己的学术生涯经历，也颇有可看性，且趣味十足。如果你想对因果关系和相关关系有透彻的理解，亦或是想对学术领域成果（涉及因果的结论）有更佳的判断力，那么这本书非常值得一读，特别是作者这套因果图工具，堪称经典。

豆瓣新上高分书，妥妥的坑。 世界文学排名前几的才9分，新上的书，9分以上，用脚趾头想也知道咋回事了。