因果推断方法有哪些

㈠ NLP中的因果推断（综述）

NLP在建模语言方面的发展，给我们提供了很多方法来从文本中提取信息，用于estimate causal effect

为了解决NLP中的鲁棒性和可解释性问题，我们需要新的标准来学习模型，并且进一步挖掘相关性。

counterfactual 问题在Section 4中有进一步的解释

Ignorability, Positivity, Consistency

主要的挑战是：从高纬的文本数据中蒸馏（distill）出相关的低维的特征。

比如：

text是作为outcome的。

我们可以设计RCT，一组学生受教育，一组学生不接受教育，收集他们的文章。

为了确保满足consistency： 1. 需要确保学习的时候，学生之间不受影响（no interference）2.需要创造出”可读性“的测量方式

挑战：我们需要condition on在文本数据上，去block confouding

一种方法是使用无监督降维算法去减少文本数据的高维度，比如：topic model, embedding methods, auto-encoder等等。

另一种是使用监督方法。使用预训练的语言模型和有监督的topic model，预测treatment和outcome，通过预测treatment和outcome（也就是把treatment和outcome当作监督目标），他们表示confounding properties可以在文本数据中被挖掘出来。

text as confounder只有在已观测数据中可行。这样我们就需要比较强的ignorability：所有方面的confoudning都必须被模型观测出来。这样做也是很具有挑战性的，因为文本数据的维度高，我们condition on的变量变多，就越来越难以满足positivity。而且我们可能condition on在collider变量上，导致一些原本block的backdoor反而被打开了。

（这俩有啥区别？不都是从文本中提取feature么？）

text as treatment带来的一些挑战：

比如候选人的传记会影响投票结果、超市广告写作风格会影响销量。

Heterogeneous effects ：由于不同的人阅读同一段文本会有不同的理解。这也就导致了一些问题：解释因果效应、沟通研究发现。

比如：用一段文本作为treatment，会在不同的人身上产生不同的causal effect。formulate和identify这些heterogeneous causal effect，就需要新的反事实问题，假设，和方法。

Benchmarks ：有benchmark数据集已经帮助推动了机器学习的发展，有统一的benchmark、统一的标准，这些模型就能被统一地衡量。

在causal explanation有一些benchmark已经发展出来，但是缺少NLP datasets。这是因为潜在outcome是反事实的。任何benchmark（它假设反事实的知识是必须做一个强的假设）是无法核实的（unverifiable）。

虽然我们能够把聚合的结果和实验作比较，但我们永远也无观测到一个benchmark的真实causal effect。

到目前为止（Thus far），我们一直专注于使用NLP工具来衡量存在于文本中的因果效应。我们现在来考虑一个相反的关系：用因果推理来帮助解决传统的NLP任务，比如：understanding、manipulating 和generating 自然语言。

乍一看，NLP可能不太需要因果的idea。近几年有很多high-capacity的NLP框架做出了巨大的进步（比如BERT）。这些框架没有区分cause、effect、confounder这些概念。也没有尝试去识别出因果关系。这些模型认为：一个feature可以很有用，就算这个feature和结果没有因果关系。

然而，尽管取得了SOTA的结果，基于相关性的预测型模型是不值得信任的（untrustworthy）：他们可能会去捕捉虚假的相关性，导致OOD问题（out-of-distribution）。他们可能会在不同的用户群体中表现出不可接受的性能差异。他们也会因为太难以捉摸，以至于不能去进行高风险决策。

任何一个问题都可以潜在地通过因果的视角解决：因果关系的（先验）知识可以用于formalize虚假的相关性，并且减轻对他们的预测依赖性。因果也可以提供一种语言，用于明确和推理出公平条件（fairness conditions）。解释预测的任务也可以很自然地用反事实来描述。（啥意思？）

基于这些原因，越来越多的（a growing line of research）研究围绕因果研究中的发现，尝试去重定向机器学习的目标。到目前位置（Thus far），应用大部分集中于其他领域，比如：生物医学数据（需要可信度高），计算机视觉（非常需要跨领域（cross-domain）的学习）（这个比较经典的例子是，colored MNIST，color channel用于创建更有挑战性的分布偏移），还有那些比较容易构造有人为的虚假相关性的数据集。（人为构造虚假相关性，是为了容易检验causal的方法更robust么？）

总结：在这一节中，我们回顾了把causal应用于NLP的工作，专注于一些独特的problem和涌现出的机会。下一节，在4.1中，我们会讨论虚假相关性对于泛化带来的不利影响、分布偏移（distributional shift）、因果驱动的方法，来达到更好的鲁棒性。4.2中，简单回顾在公平和偏见相关的问题中，使用因果进行规范化（formalization）的尝试。4.3中，总结因果方法用于解释复杂机器学习模型的行为。

插播英语知识：explain和interpret的区别：

explain：把别人不懂的知识，解释给他

interpret：区别就是，我们谁都不懂这个知识，我们需要去理解它，interpret它，洞悉它的本质。（interpret的知识更加难理解）

NLP中已经有不少的对于虚假相关性的担忧。虚假相关性在以下两种情况下会发生：

这里问题就是，一个预测器： ，会去学习使用X的一部分，这一部分的信息与Z有关（因为Z对Y也是有信息提供的，也就是学习到的这一部分内容，是Z提供给Y的，而不是X提供给Y的，但是我们在最后的模型中不需要这一部分），但是最后用于部署的模型中，X和Y之间的这一部分关系（Z提供的）是不需要的。

举一个例子：通过病人的文本记录，来预测医疗效果，使用的训练集来自不同的医院。假设：有一个医院，(a)病人更容易被诊断为这一种病，(b)医生倾向于使用一种独特的写作方法（比如，因为医院的训练，当地的方言）。一个predictor用这些数据集去训练，会去使用一些文本特征（带有医院的相关信息，这些信息可能对诊断没有一点用处）。这会导致很差的OOD（out-of-distribution）表现，就因为写作风格和医疗效果之间的虚假相关性。

为了确保predictor不会“由于错误的原因而正确“，一些评估方法主要有两种形式：

不变性测试可以由因果直觉驱动：目的是测试如果以反事实输入 ，Z表示是文本的cause，但和Y因果不相关，predictor会不会表现的不一样。一个模型的预测结果在这些反事实中不变，可以被看作在测试集上如果Y和Z由不一样的关系，也能有更好的表现。

敏感性测试可以看作是评估反事实 ，这里的label改变了，但是所有的其他在X上的因果影响都是不变的。

（没看懂这个不变性测试和敏感性测试）

很多方法被应用于训练能够通过sensitivity tests和invariance test的predictor。许多这些方法不是显式地就是隐式地使用了因果的视角。现在我们研究这些方法，这些方法主要分为两大类：反事实数据增广（counterfactual data augmentation）和因果驱动的分布标准（causally-motivated distributional criteria）

为了学习出能够通过敏感性和不变性测试的predictor，data augmentaion是一种比较流行的方法。得到、或者构造反事实数据，并且把他们合并到训练数据。

没看懂这啥意思。。 ，是造出使得预测结果y改变的那些X？

反事实数据可以通过以下几个方式生成：

反事实数据是个十分有用的资源，因为他们直接标出了missing data。但这十分困难。以上这些方法还有可能引入新的虚假相关。

数据增广比较困难，因此我们考虑直接对已观测的数据进行操作。

在不变性测试中，一种策略是导出不变的预测器的分布特征，并且确保这些特性是满足已训练的模型。（？）

（前两种看不懂。。）

第三种就是那个经典的因果结构图，X: Treatment，Y: Outcome，Z: Confounder，用backdoor，把 换成 。这种方法对于虚假相关性在domain shift的时候有很强的鲁棒性。

总体来说，这些方法都比典型的监督学习需要更多的训练数据。还有就是，distributional方法目前为止只能用于classification任务（Debiased那篇文章就是文本生成任务？），数据增广可以使用于更多的复杂的任务，比如机器翻译。

未来的工作中，distributional方法必须解决结构性的预测（structured prediction）。（机器翻译就是一个structured problem）

未来的工作中，还要考虑使用不完整的因果模型的结果，因为不是所有的confouding 都可以被观测。在NLP中，不被观测的confounding是很普遍的。

NLP有时候会放大训练数据中的bias。causality可以提供一种识别出公平性问题的语言。公平性问题：种族、性别。

然而，将种族等属性作为受干预或反事实推理影响的变量，存在一些重要的合法性问题。

causality和unfair bias之间的链接主要在相对低维的数据上会展现出来，而不是在文本数据中。但是，有一些在反事实数据增广方面的方法在这一领域有应用，比如：

反事实数据增广也被用于减少 预训练的word embedding模型中的 bias。但是预训练word embedding模型中的偏差会以多大程度传到下游应用中，还不清楚。

在公平问题中使用distributional criteria的应用还比较少。但是一些研究者show: invariant risk minimization，（尝试去学习一个不变的predictor，在多环境中），可以减少在公民评论数据集中（Civil Comments dataset）种族的虚假相关性。

NLP 模型是出了名的难以解释。但尽管如此，这对于诊断错误，以及和决策者之间建立信任是非常重要的。 一个生成解释的非常重要的方法，是挖掘网络的部件，比如attention的权重。另外，还有一些尝试去估计更简单、更有解释性的模型：使用test样例中的扰动（？），或者其他隐表达。

然而，基于attention和基于扰动（perturbation-based）方法都有很大的局限，attention-based解释可能有误导性，而且可能只对某些独特的token有效。他们可能对于更抽象的语言概念没法解释预测结果。目前存在的perturbation-based方法经常产生一些难以置信的反事实，而且还不能对一些句子级别的概念进行估计。

把这看作一个因果推断问题，一个自然的方法去解释就是生成反事实样例（4.1.1），并把每个样例的预测结果和它的反事实进行比较。这样一个受控制的设定比较像随机对照试验（section 2中描述的），这比较可行地去计算一个真实观察到的文本和 某个概念不存在于其中 的文本之间的区别（也就是counterfactual）。确实在一些例子中，counterfactual文本是可以被生成的，我们可以使用一些基于文本的模型去估计因果效应。但是生成自然语言的counterfactual有时候比较难以自动生成，而且人工做起来比较费劲，特别是对一些抽象概念，比如：语言风格，话题，情感。

为了克服反事实生成的问题，另一类方法提出：去操纵文本的表达方式（representation）（...列出了一堆文献），而不是文本本身。这些研究的结果和一些鲁棒性文献中的结果有一些相似性。但是这些研究结果更专注于识别一个训练模型中的invariance，而且并不是在训练的过程中强迫他们（指模型）。一个研究者计算反事实representation（通过预训练附加的.... 当控制confouding concepts的时候，设计了一个对抗性的组件，去”忘记“某一个被选择的概念）。另一个研究者提供了一种方法：从神经表达中remove掉信息，通过迭代地训练线性分类器，并把representation映射到null spaces。（这样做也相当于”忘记“）。

相较于使用counterfactual来确认（identify）invariances，一个补充的方法是使用使得模型改变预测的最小change，来 生成 counterfactual。这样的例子被当作解释，因为他们能让我们观察到一个模型发生改变所需要的change。

最后，因果的视角在attention-based解释中，是去把内部节点当作mediator，在input到output的过程中影响因果效应。 通过人工制造的counterfactual，我们可以观察到信息是如何在不同的模型组件中流动的 ，并且识别（identify）出他们编码在模型的什么地方。

我们在这项研究中的主要目标是收集不同的causal和NLP的结合点，我们把这些问题细分为统计因果推断和传统的NLP任务。这些研究的不同分支有共同的目标，intuitions，并且开始去表现出方法之间的协同性。Section 3中，我们展示出最近的使用NLP建模，来帮助研究者作因果结论的进展。Section 4中，我们展示出，这些因果推断中的idea是怎么被用于让NLP模型更加可信（trustworthy）和透明（transparent）。所有的这些领域都还是新生的，有很多的挑战。

因果的方法论迫使研究者解释他们的假设。为了改善科学标准，我们相信计算语言社区应该对这些假设更加清晰，并且使用因果推理分析这些数据。在这个方向推动我们的NLP方法论，能够引导出对 语言 和 我们创建的模型 有一个更好的理解

㈡ 几种因果(cause)或者相关性(interaction)推断的量度

1.  correlation：有线性的皮尔逊相关系数(Pearson Correlation Coefficient)和数据排序相关的斯皮尔曼等级相关（Spearman’s correlation coefficient)

2. 互信息(mutual information)： 可衡量非线性的关系 ，或者 延迟的互信息(delayed mutual information)

3. 格兰杰因果关系检验(granger causality)

诺贝尔经济学奖获得者，英国经济学家克莱夫·格兰杰（Sir Clive William John Granger），是着名的经济时间序列分析大师，被认为是世界上最伟大的计量经济学家之一。Granger从预测的角度给出了因果关系的一种描述性定义，这就是我们现在所熟知的Granger因果关系。

Granger指出：如果一个变量X无助于预测另一个变量Y，则说X不是Y 的原因；相反，若X是Y的原因，则必须满足两个条件： 第一，X应该有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显着地增加回归的解释能力；第二，Y不应当有助于预测X，其原因是，如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他变量，它们既是引起X变化的原因， 也是引起Y变化的原因。现在人们一般把这种从预测的角度定义的因果关系称为Granger因果关系。

参见    http://blog.csdn.net/mafujinji/article/details/6496224  

4. 传递熵（transfer entropy）

相信随着 大数据 的到来，会使得传递熵（transfer entropy）这种方法会受到更多人的关注，因为它是一种基于概率分布，香农熵，统计的方法得出时间序列间因果性的方法。这种方法首先提出是在PRL上由T.Schreiber 提出的，又用在生物系统中，所以这里大部分人可能不熟悉。由于transfer entropy 所需的时间序列长度较大，所以在普遍数据量较小的时代，只能用在神经信号和脑电图中。现在很多地方都意识到数据的重要性，各种传感器也被大量应用，原本不存在的数据来源慢慢的也被发掘了。相信transfer entropy 的春天就要来了。

什么是transfer entropy 它其实就是一个条件分布带来的探测到时间序列间的不对称性。说的学术一点：传递熵是在错误假设传递概率函数为p(in+1|in(k)),而不是p(in+1|in(k),jn(l))的情况下，预测系统状态额外需要的信息。这个信息由Y到X和由X到Y是不对称，这种不对称就带来了，驱动和响应的关系的建立。不过他和granger 因果性检验之间的等价性在一篇工作中已经证明。而且传递熵能对非线性时间序列应用，对这种granger的因果性也很敏感。

参见    http://blog.csdn.net/jjjphysics/article/details/24349289

5. 收敛交叉映射(convergent cross mapping)

Convergent cross mapping (CCM) is a statistical test for a cause-and-effect relationship between two time series variables that, like the Granger causality test, seeks to resolve the problem that correlation does not imply causation . [1] [2] While Granger causality is best suited for purely stochastic systems where the influences of the causal variables are separable (independent of each other), CCM is based on the theory of dynamical systems and can be applied to systems where causal variables have synergistic effects. The test was developed in 2012 by the lab of George Sugihara of the Scripps Institution of Oceanography , La Jolla , California, USA.

Granger Causality是经典方法，在计量经济学的时间序列分析中有较多的应用。 除此之外，还有Convergent cross mapping (CCM)。Granger因果模型的前提假设是事件是完全随机的，但现实情况有很多是非线性、动态且非随机的，Granger模型对这一类状况不适用。CCM则能适用于这一类场景，在多组时间序列中构建出因果网络。 感兴趣的可以读一下这篇发表在Science上的文章：

参见  https://en.wikipedia.org/wiki/Convergent_cross_mapping

https://www.hu.com/question/27516929

㈢ 如何利用计量经济学的方法进行因果推断（一）

本文是在我在这学期听了北京大学国发院2019年春季学期沈艳老师开设的《高级计量经济学2》后对因果推断部分的总结，主要涉及DID、RD、倾向得分匹配、HCW及合成控制法等计量方法。

因为文章包含了很多我个人的理解，免不了有所疏漏或者有理解不到位之处，还请大家批评指正。大家如果有兴趣对因果推断的方法进一步探究，可以阅读我在文章最下方列出的课程参考文献以及我自己认为对理解因果推断很有帮助的一些文章。

首先，什么是因果推断？我认为因果推断是用已有的证据去证明两件事、两个变量之间的因果联系，比如证明教育年限对于工资水平的影响，或者是气候变化对于农作物产量的影响，这里的教育年限和气候变化就是因，而工资水平和农作物产量则是果。

用于验证因果关系最理想的办法，自然是做实验。继续上文教育年限和工资水平的例子，我们如果想证明教育年限对于工资水平有影响，在理想状态下应该找一群人，控制他们的性别、年龄、智商等等所以可能影响工资水平的因素不变化，而只让教育年限发生变化，来观察工资水平是否会发生变化以及发生多大的变化。但现实中，尤其是对于社会学科来说，通常的研究对象是人，很难像自然科学一样在可以对各变量进行严格控制的环境下进行实验，所以就又有了下面我们要讲的方法。

第一种是随机控制实验（random control trial），也就是近些年比较火的RCT方法。用药品测试作为例子，为了测试某种新药到底有没有效果，药品公司招募了一批符合条件的被试者，将这些被试者随机分入控制组或者实验组。控制组仅发放安慰剂，而实验组则会发放真正的药品，但是被试者并不知道发放到自己手中的药品究竟是安慰剂还是开发的新药。在实验结束以后，对比实验组与控制组的相应身体指标，二者之间的平均差异就是新药的效果。

第二种是自然实验（natural experiment）或者准实验（quasi-experiment）。这类实验主要是指由于某些外部突发事件，使得当事人仿佛随机地被分配到了实验组和控制组，因而可以进行比较，探究是否存在因果关系。通过个体分组是否完全取决于这一突发事件，我们又可以进一步将其分为两类实验：第一类个体分组完全取决于突发事件，比如1992年，美国新泽西州通过法律将最低工资从每小时4.25美元提高到5.05美元，但在相邻的宾夕法尼亚州最低工资依然保持不变，这两个州的雇主仿佛被随机地分配到实验组（新泽西州）与控制组（宾夕法尼亚州）。这类自然实验可以直接用OLS估计因果效应。第二类个体分组只是部分地由自然实验所决定，如Angrist(1990) 考察越战期间的参军者，当时美国对全国年轻男子以生日抽签的方式进行征兵，尽管抽签完全随机，但是否参军取决于体检，且有些人得到豁免，另一些人未抽中却自愿参军，此时应以自然实验所带来的随机变动作为工具变量。

那在介绍完以上的实验之后，我们正式进入因果推断的框架。我们这里主要用到的是RCM的模型，即Rubin Causal Model (RCM; Rubin 1978)。首先我们引入潜在因变量的概念。

什么叫做潜在因变量呢？例如一个人上了大学，我们想研究上大学这一事件对于他的收入带来了多大的提升，这一提升叫做上大学这一事件的处理效应。为了计算这一处理效应，我们就要对这个人上了大学的收入和没上大学的收入两者相减。但在实际情况中，我们只能观察到他上了大学的收入，而无法观察到他没上大学的话收入是多少，因为一个人无法像薛定谔的猫一样同时兼具两种状态，要么是生，要么是死，一旦一种状态被确定，另一种状态下发生的事情就无法观测到了。此时，这个无法观测到的因变量就叫做潜在因变量。那我们引入以下的一些notation。

接下来我们就要定义所谓的处理效应。因为总体可以分为实验组和控制组，相应在总体、实验组和控制组三个层面上就有三种处理效应。用我们上面提到的总体处理效应是指总体随机分配个体到实验组与控制组所得到的处理效应，即 。而实验组处理效应为 。控制组的处理效应为 。这三者之间的关系是 ，即总体处理效应是实验组处理效应与控制组处理效应的权重加总。

在现实中由于潜在因变量的问题，我们往往无法估计以上三种处理效应。我们往往通过比较实验组与处理组的平均差异来近似个体处理效应，即：

当 趋于无穷时，该值依概率收敛于 ，经过一番操作后可以化为

第一个花括号内即为实验组的处理效应，第二个花括号内是由实验组和控制组解释变量差异带来的混淆效应，即实验组和控制组个体本身的异质性，第三个花括号内是实验组和控制组个体不可观测因素带来的偏差。

为了使估计的总体处理效应在期望上等于实验组的处理效应，我们需要引入以下两个假定：

第一个假定表明在控制了解释变量之后，实验组与控制组个体的选择与潜在因变量独立。第二个假定叫做重合假定，表明实验组与控制组应当在一个范围内都有观测值。这两个假定合起来称为“the strongly ignorable treatment assignment”假定。

如果以上两个假定成立，那么我们就可以选用回归、倾向得分匹配的方法。反之，则根据需要选用工具变量、DID、RD、HCW、合成控制法等。

除了假定以外，实验组分配机制也是决定我们能否使用因果推断以及使用哪种因果推断方法的重要因素。一般而言，我们都需要考虑实验组分配机制是否存在内部有效性和外部有效性的问题。内部有效性问题主要包含：1）未能完全随机分组；2）未能完全遵从实验设计；3）中途退出实验；4）观察效应或霍桑效应，即观察者会给实验者的行为造成扰动；5）样本量过小。内部有效性问题主要存在于实验设计本身，而外部有效性问题影响实验结果是否能够推广，具有参考价值和普遍的代表性，主要包括：1）样本代表性不足；2）小型实验的条件与大规模推广时的现实条件不同；3）一般均衡效应，以市场供需为例，市场在达到均衡与未达到均衡时供需机制显然是不同的；4）自我选择效应，以就业培训项目为例，选择进入就业培训项目的人往往在近几年收入较低，因此研究就业培训项目对收入的影响就会存在内生性问题。

因为文章比较长，所以我们这部分就先介绍RCM基本框架，接下来依次为大家介绍这一框架下不同的因果推断方法。

相关网页：

Rubin Causal Model (RCM) 和随机化试验 （作者写的一系列关于因果推断的文章可读性很不错，大家有兴趣可以一览）

㈣ 请教大家，推理归纳与探求因果关系五法是这

推理归纳是根据某类事物中部分对象具有某一现象属性，并且该现象属性与对象之间具有某种因果关系。从而推出该类事物的所有对象都具有某一属性的推理方式。而探求对象与某一现象是否有因果关系的方法，有五种：求同法、求异法、求同求异并用法、剩余法、共变法。

㈤ 因果推断实用计量方法

因果推断实用计量方法如下：

可以直接控制Y对X的回归中的干扰变量C。控制回归的统计要求是，给定干扰变量C，潜在结果Y的分布应该有条件地独立。

假设我们想要了解一个现有产品特性的影响，例如在线聊天使用对产品销量的影响。首先我们要搞清楚了解这个影响的目的：如果在线聊天的影响大到足以抵消。

因果分析逆境造就人才逆境造就人才。 司马迁受到宫刑后，受到了身心的巨大痛苦，感到世情人情的冷淡，拼命地写着书，用充满血泪的文字。

因果关系是神圣的，具有极高的价值。据说，曾经有人问过古希腊哲学家德谟克里特，因果关系到底有什么价值，这位哲人的回答是，对他来说，一个因果关系的价值要胜过一个波斯的王位——尽管这个回答是出自一位哲人之口，但它确实也在一定程度上道出了因果关系在人们心中的重要地位。

由于因果关系对人们来说是如此的重要，因此至少从两千多年前开始，人们就已经开始了对因果问题的相关理论探究。

㈥ 简述因果关联的推断标准

因果关联的推断标准有8个，其中关联的时间顺序是必须满足的;关联的强度，关联的可重复性，剂量反应关系及实验证据有非常重要的意义;其他标准可作为判断病因时的参考。

1，关联的时序性，指因与果出现的时间顺序，有因才有果，作为原因一定发生在结果之前，这在病因判断中是唯一要求必备的条件。(暴露因素与疾病发生的时间顺序，在前瞻性队列研究中容易判断，但在病例对照研究或横断面研究中则常常难以断定)。

2，关联的强度，指疾病与暴露因素之间关联程度的大小，常用OR或RR值来描述。在除外偏倚和随机误差的条件下，关联的强度可作为判别因果关系和建立病因假说的依据，关联强度越大存在因果关联的可能性也越大。

3，关联的可重复性，指某因素与某疾病的关联在不同研究背景下、不同研究者用不同的研究方法约可获得一致性的结论。重复出现的次数越多，因果推断越有说服力。

4，关联的特异性，指某因素只能引起某种特定的疾病，也就是说某种疾病的发生必须有某种因素的暴露才会出现。从传染病的病因研究角度来看，常可确立某病原微生物与某疾病之间的特异性因果关联。而从慢性非传染病角度来讲，大多情况下不易确立某因素与某疾病间的特异性。

5，剂量-反应关系，指某因素暴露的剂量、时间与某种疾病的发生之间存在的一种阶梯曲线，即暴露剂量越大、时间越长则疾病发生的概率也越大。

6，生物学合理性，指能从生物学发病机制上建立因果关联的合理性，即所观察到的因果关联可以用已知的生物学知识加以合理解释。

7，关联的一致性，指某因素与疾病之间的关联与该病已知的自然史和生物学原理相一致。

8，实验证据，指用实验方法证实去除可疑病因可引起某疾病发生频率的下降或消灭，则表明该因果关联存在终止效应，其作为因果关联的判定标准论证强度很高。实验证据可来自人群现场试验，也可来自临床试验或基础医学实验。

因果关系的判断是复杂的，在因果关系的判断中，并不一定要求8条标准全部满足。但满足的条件越多，则其因果关联成立的可能性越大，误判的可能性就越小。

(6)因果推断方法有哪些扩展阅读

一般来说，因果还可以指一系列因素（因）和一个现象（果）之间的关系。对某个结果产生影响的任何事件都是该结果的一个因素。直接因素是直接影响结果的因素，也即无需任何介入因素（介入因素有时又称中介因素）。从这个角度来讲，因果之间的关系也可以称为因果关联。

1，因果关系的客观性。因果关系作为客观现象之间引起与被引起的关系，它是客观存在的，并不以人们主观为转移。

2，因果关系的特定性。事物是普遍联系的，为了了解单个的现象，我们就必须把它们从普遍的联系中抽出来，孤立地考察它们，一个为原因，另一个为结果。刑法因果关系的特定性表现在它只能是人的危害行为与危害结果之间的因果联系。

3，因果关系的时间序列性。原因必定在先，结果只能在后，二者的时间顺序不能颠倒。在刑事案件中，只能从危害结果发生以前的危害行为中去查找原因。