Causal inference asks what would happen under intervention or in a counterfactual world, so causal conclusions require assumptions that observational association alone cannot supply.
1The problem it solves
Data can reveal patterns of co-movement without telling us which variables would change if we actively changed another. Confounding, selection, reverse causation, and measurement can produce the same associations. Modern causal inference makes the extra assumptions explicit—through DAGs, potential outcomes, instruments, natural experiments, or structural models—so the inferential leap can be inspected rather than hidden.
2The idea
When is a correlation entitled to a causal reading? This is the most technically developed part of modern philosophy of science, and the part where philosophy and working method have genuinely fused.
The central insight is that causal conclusions require causal assumptions. No amount of purely observational data yields a causal claim on its own — the assumptions have to come from somewhere outside the dataset, and the honest move is to write them down.
3Origin & context
Modern frameworks include Judea Pearl’s graphical/structural causal models and the Rubin potential-outcomes tradition, with older roots in experimental design and Bradford Hill’s causal considerations. The traditions differ in notation and emphasis but agree that causal identification comes from assumptions plus data, not data alone.
4Canonical example
Ice cream sales and drownings rise together every summer. Neither causes the other, and no statistic in the dataset says so.
5Objections & replies
Objection. Randomized experiments identify causal effects without controversial assumptions.
Reply. Randomization solves important confounding problems, but interpretation still requires assumptions about compliance, interference, attrition, measurement, treatment versions, and transportability. No design is assumption-free.
Objection. Causal assumptions are untestable, so causal inference is subjective.
Reply. Some assumptions are partly testable and many have observable implications, but identification always includes substantive commitments. The answer is transparency, sensitivity analysis, triangulation, and designs that make weaker assumptions—not pretending none exist.
6Don't confuse it with
Causal inference vs. prediction
A variable can improve prediction without being a cause, and a cause can be weakly predictive in a noisy system. The tasks optimize different targets.
Identification vs. estimation
Identification asks whether the causal quantity is uniquely determined under assumptions; estimation asks how precisely to recover it from finite data once identified.
7Common mistakes
- Treating control-variable selection as a purely statistical exercise instead of a causal one.
- Writing causal language after observational regression without stating the identification assumptions that license it.
8In your work
Where epistemology stops being philosophy and becomes your day job. Everything else on this map informs how you think; this branch determines what you can defend in writing.
9Check yourself
Your regression coefficient is precisely estimated and robust to many specifications. What is still missing before it earns a causal interpretation?
Show answer
An identification argument: why, under explicit causal assumptions, the observed variation corresponds to the intervention or counterfactual quantity of interest rather than confounding, selection, reverse causation, or another path.
استنتاجِ علّی میپرسد زیرِ مداخله یا در جهانِ خلافواقع چه رخ میدهد؛ بنابراین نتیجهٔ علّی به فرضهایی نیاز دارد که همبستگیِ مشاهدهای بهتنهایی فراهم نمیکند.
1مسئلهای که حل میکند
داده میتواند همحرکتی را نشان دهد بیآنکه بگوید اگر یک متغیر را فعالانه تغییر دهیم چه میشود. مخدوشگری، انتخاب، علیتِ معکوس و سنجش میتوانند همان الگو را بسازند. استنتاجِ علّیِ جدید فرضهای اضافه را با DAG، پیامدهای بالقوه، ابزار، آزمایشِ طبیعی یا مدلِ ساختاری آشکار میکند تا جهشِ استنتاجی قابلبازرسی باشد.
2ایدهٔ اصلی
چه زمانی یک همبستگی حقِ خوانشِ علّی دارد؟ این پیشرفتهترین بخشِ فنیِ فلسفهٔ علمِ مدرن است و بخشی که در آن فلسفه و روشِ کاری واقعاً در هم ادغام شدهاند.
بصیرتِ محوری این است که نتایجِ علّی نیازمندِ فرضهای علّیاند. هیچ حجمی از دادهٔ صرفاً مشاهدهای بهتنهایی ادعایی علّی نمیسازد — فرضها باید از جایی بیرونِ مجموعهداده بیایند، و حرکتِ صادقانه نوشتنِ آنهاست.
3خاستگاه و زمینه
چارچوبهای مدرن شامل مدلهای علّیِ گرافیکی/ساختاریِ جودیا پرل و سنتِ پیامدهای بالقوهٔ روبیناند، با ریشههایی در طراحیِ آزمایش و معیارهای بردفورد هیل. زبانها متفاوتاند اما بر این نکته مشترکاند که شناساییِ علّی از داده بهعلاوهٔ فرض میآید.
4مثالِ کلاسیک
فروشِ بستنی و غرقشدگی هر تابستان با هم بالا میروند. هیچکدام علتِ دیگری نیست، و هیچ آمارهای در آن داده این را نمیگوید.
5اعتراضها و پاسخها
اعتراض. آزمایشِ تصادفی اثرِ علّی را بدون فرضِ بحثبرانگیز شناسایی میکند.
پاسخ. تصادفیسازی مسئلهٔ مهمِ مخدوشگری را حل میکند، اما تفسیر هنوز به فرضهایی دربارهٔ تبعیت، تداخل، ریزش، سنجش، نسخههای درمان و قابلیتِ انتقال نیاز دارد. هیچ طراحی بیفرض نیست.
اعتراض. فرضهای علّی آزمونناپذیرند، پس استنتاجِ علّی سلیقهای است.
پاسخ. بعضی فرضها تا حدی آزمونپذیرند و برخی پیامدِ مشاهدهای دارند، اما شناسایی همیشه تعهدِ محتوایی دارد. پاسخ شفافیت، تحلیلِ حساسیت، مثلثبندی و طراحی با فرضهای ضعیفتر است.
6با اینها اشتباه نگیرید
استنتاجِ علّی و پیشبینی
متغیر میتواند پیشبینی را بهتر کند بیآنکه علت باشد، و علت میتواند در نظامِ پرنویز پیشبینیِ ضعیفی بدهد. هدفها متفاوتاند.
شناسایی و برآورد
شناسایی میپرسد کمیتِ علّی زیرِ فرضها یکتا تعیین میشود یا نه؛ برآورد میپرسد پس از شناسایی، آن را با دادهٔ محدود چقدر دقیق بازیابی میکنیم.
7خطاهای رایج
- انتخابِ متغیرهای کنترل بهعنوان مسئلهای صرفاً آماری بهجای علّی.
- استفاده از زبانِ علّی پس از رگرسیونِ مشاهدهای بدون بیانِ فرضهای شناسایی.
8در کارِ شما
جایی که معرفتشناسی از فلسفهبودن دست میکشد و به کارِ روزانهٔ شما بدل میشود. بقیهٔ نقشه بر نحوهٔ اندیشیدنِ شما اثر میگذارد؛ این شاخه تعیین میکند چه چیزی را میتوانید مکتوب دفاع کنید.
9خودآزمایی
ضریبِ رگرسیون دقیق و در مشخصههای مختلف پایدار است. پیش از تفسیرِ علّی چه چیز هنوز لازم است؟
نمایش پاسخ
استدلالِ شناسایی: چرا زیرِ فرضهای علّیِ صریح، تغییرِ مشاهدهشده همان کمیتِ مداخلهای/خلافواقعیِ موردنظر است نه مخدوشگری، انتخاب، علیتِ معکوس یا مسیرِ دیگر.