TapCub 正式上线:统计、分析、客服一个平台免费用
术语表

因果是什么意思?定义、成立条件和算例

因果是指改变 A 会让 B 随之改变,不改变 A,B 就不会这样变。本文讲三个条件、怎么给证据分级,以及一个 2,000 名用户的算例:按渠道拆开后 18 个点的差距缩小到 1.5 个点。

陈屿 审核人 索菲娅·贝内特 又称 因果关系 最后更新 2026 年 11 月 18 日 术语表

一句话回答

因果是指改变 A 会让 B 随之改变,不改变 A,B 就会不一样。它需要的不只是两个指标一起变:A 要在前,其他解释要被排除,最有力的证明是随机实验。

公式: 因果效应 = 有 A 时的结果 − 没有 A 时的结果(同一批用户、同一时间)

因果是什么意思?

因果是指改变一件事会让另一件事随之改变,而且如果不改变前者,后者就不会这样变。统计上常见的说法是:对同一批人、同一时间,如果 A 不一样,B 就会不一样,那么 A 是 B 的原因。「如果不一样」这一句就是哲学家用来定义原因的反事实思路(见文末斯坦福哲学百科词条),也是因果在数据里很难看到的原因:对每一个用户,你只能看到一个世界,要么他用了这个功能,要么没用。

由此有两个实际结论:

  • 多数原因是概率性的。 原因提高结果出现的可能,而不是保证它出现。假设新的新手清单把第 1 周留存从 40% 提高到 44%(假设数字),它就是原因,尽管看到清单的用户大多本来就会留下或离开。
  • 光看数据说不出方向。 两个指标一起变,只是相关。是 A 推动 B、B 推动 A,还是另一个因素同时推动两者,是另一个问题,要靠设计来回答,而不是再多几行数据。两个概念的并排对比见 相关与因果,本页只讲因果本身。

说是因果之前至少要满足什么?

至少三个条件,而且要累计满足:

  1. 相关。 A 和 B 一起变。没有这一条就没什么可解释的,但它最容易达到,也最常被当成全部证据。
  2. 时间顺序。 A 发生在 B 之前。如果结果是第 2 个月的留存,功能必须在第 2 个月结束前就用过。「变成重度用户」这类说法常把顺序弄混:本来就会留下的用户,因为留下了才用了更多功能。
  3. 没有更好的解释。 其他可能的原因都被排除、被测量并固定,或者通过随机分配 A 变得无关。

满足第三条最有力的办法是做实验,用抛硬币决定谁得到 A。做不到时,证据按强弱分级:

证据能说明什么弱点
直接比较用了 A 和没用 A 的人只有相关谁选 A,可能出于同样会影响 B 的原因
在分层内比较(渠道、设备、套餐)相关在你测量过的分层里依然存在没测量的差异仍然存在
前后对比并带对照组扣除共同趋势后的变化需要一个本来会同样变化的对照组
自然实验(任意的发布规则)近似随机的分配,但不是你控制的很少见,规则必须真的是任意的
随机实验分配与其他一切无关耗流量、耗时间,有时做不了

1965 年,流行病学家 Austin Bradford Hill 列出判断一个关联是否因果的九条考量:强度、一致性、特异性、时间顺序、剂量反应、合理性、连贯性、实验证据和类比。他强调这九条没有一条能单独定案,它们是要去找的东西,本文的检查清单也应该这样用。

产品数据里会出现哪几种因果关系?

两个指标一起变,可能有四种解释,只有第一种是你想要的那种从 A 到 B 的因果。

模式解释产品例子
直接原因A 改变 B页面加载更快,完成结账的人更多
中介原因A 改变 M,M 改变 B折扣邮件带来更多访问,访问带来更多订单
共同原因C 同时改变 A 和 B,A 和 B 互不影响自然流量的访客既更常用搜索,也买得更多
反向原因B 改变 A快要流失的人不再打开应用,所以「不活跃」能预测流失,却不是流失的原因

中介仍然算因果,但它改变你能承诺的东西:折扣邮件不再带来访问,订单也跟着消失。共同原因和反向原因是数字看起来像效果、其实不是的常见原因。区分它们,主要是列出候选的共同原因(流量来源、设备、国家、套餐、用户已经待了多久、购买意图),再到每一类里检查这个关联。

算例:用了功能会带来留存吗?

示例数据:某月有 2,000 名新用户,其中 800 人在第一周用了新的报表功能,1,200 人没用。留存指第 4 周再次活跃。

分组用户数留存人数留存率
用了功能80041451.75%
没用功能1,20040033.33%
差距+18.4 个百分点

直接看,这个功能「带来了 18 个点」的留存。现在按获客渠道拆开,渠道是个合理的共同原因:自然流量的用户带着意图来,留得更多,也更愿意探索功能。

渠道分组用户数留存人数留存率
自然流量(1,000 人)用了功能60037262.0%
自然流量没用功能40024060.0%
付费流量(1,000 人)用了功能2004221.0%
付费流量没用功能80016020.0%

每个渠道内部的差距是 +2.0 个点(自然)和 +1.0 个点(付费)。按各渠道占 2,000 人的比例(各 50%)加权,调整后的差距是 0.5 × 2.0 + 0.5 × 1.0 = +1.5 个点。原来的 18.4 个点里约 92% 来自谁用了功能,而不是功能本身:800 名功能用户里有 600 人来自自然流量,而 1,200 名没用的人里只有 400 人。

可以从中带走两点。其一,调整后的 +1.5 个点仍然不是因果的证明:它只控制了一个变量,爱探索报表的用户可能在渠道之外还有别的不同。其二,这样的人数下 1.5 个点的差距要单独检查是不是噪声,算法见 统计显著性。

实际中怎么检查一个因果说法?

把说法按下面五个问题依次过一遍,在哪一步站不住就停在哪一步:

  1. 谁先发生? 结果窗口要在原因之后开始。如果「用了功能」和「留存」统计的是同样几周,就改成:功能使用看第 0–7 天,留存看第 22–28 天。
  2. 谁选了 A? 如果是用户自己选的,就假定他们有差异。如果是规则分配的(按账号 ID 分批发布、按地区上线),就问这个规则是不是任意的。
  3. 两组还有什么不同? 至少列 5 个候选,逐个对比两组。如果渠道构成、设备构成或套餐构成差别很大,直接比较就不安全。拆分如何缩小甚至翻转差距,见 混杂变量 和 辛普森悖论。
  4. 拆开以后差距还在吗? 如果差距在每一层都同方向、大小相近,说法更站得住;如果在某些层消失,就去那里找原因。
  5. 能随机分配或保留对照吗? 如果这个决定出错的代价高,就做实验,或者保留一个永远不会收到改动的随机对照组。衡量「不做也会发生什么」的相关概念见 增量。

常见误区有哪些?

  • 把相关系数当成效果大小。 相关系数 0.6 说明两者紧密地一起变,但没说你改变 A 时 B 会变多少。
  • 比较主动加入的分组。 打开功能、点开邮件、加入会员计划的用户都是自己选的。这个选择就是多数「功能 X 提升留存」图表背后的 选择偏差。
  • 控制了错误的变量。 按处在 A 和 B 之间的东西拆分(比如折扣通过「访问」起作用时按访问拆),会把真实效果的一部分去掉。
  • 把归因当证明。 给渠道记一部分转化功劳的报表是按规则分配功劳,并不说明没有这个渠道这些转化就会丢失。
  • 停在「没有相关」。 真实的原因可能被反方向的共同原因盖住,也可能被小样本里的噪声盖住。
  • 看了一次拆分就宣布因果。 一张分层表缩小了解释的范围,但没排除未测量的那些。

怎么用 TapCub 检查这样的说法?

还是上面的报表功能例子。TapCub 能很快给你分层视图,但不做能最终定论的实验。

  1. 先把「用了功能」定义一次。 在 全端分析 › 用户 › 分群与标签 里,用该功能的事件加时间窗建一个规则分群(比如近 30 天做过该事件)。分群可以作为群组带进其他分析,所以各处用同一个定义。匿名访客没有档案,不会进入分群,所以先识别登录用户。
  2. 按渠道比较结果。 在 全端分析 › 行为分析 › 行为分析 里建一个从注册事件到第 4 周回访事件的漏斗,并按渠道分组。分组保留进入人数最多的 10 组。留存分析没有分组,想按渠道看留存,就一次筛一个渠道,或者用分群。
  3. 问哪些维度推动了指标。 在 全端分析 › 智能运营 › AI 助手 的 变化归因 页签里,一个指标的变化会按渠道、来源域名、国家、设备、入口页等维度拆开,给出每个取值对变化的贡献。这是对「哪里变了」的拆解,不是对「为什么」的检验;它帮你找出要去检查的候选共同原因。
  4. 标出上线日期。 在 配置 › 日期标注 里加上发布日期,前后对比就不是盲看。
  5. 实验到别处做。 TapCub 不做 A/B 实验和特性开关,也不做随机分配,只负责衡量。如果你用自己的工具做实验,把分组名作为事件属性发过来,就能在这里比较各组。

另见:什么是相关性?相关系数的含义、算法和用法。

资料来源

这个解释清楚吗?

我们会根据反馈修改和补充这篇内容。

陈屿

技术工程师

专注统计代码、SDK 与接口集成文档,从接入验证到问题排查,帮助开发者更顺畅地完成实施。

常见问题

常见追问

大家看完定义后最常问的几个问题。

还有其他问题?

直接和 TapCub 团队聊聊——工作日通常几小时内回复。

因果是什么意思?

因果是指一件事促成另一件事:如果 A 不一样,B 就会不一样。在数据里它说的是「不这样会怎样」,所以光有相关不够,还要 A 在 B 之前,并排除其他解释。

相关和因果有什么区别?

相关是两个指标一起变,因果是一个让另一个变。相关可能来自第三个因素、反向关系或巧合。本文的示例里,功能用户的留存高 18.4 个点,按渠道拆开后差距只有 1.5 个点。

因果成立的三个条件是什么?

通常的最低要求是:相关(A 和 B 一起变)、时间顺序(A 在 B 之前)、没有更好的解释(混杂因素被排除、被固定或被随机分配抵消)。满足第三条最有力的办法是随机实验。

不做实验能证明因果吗?

不能完全证明。分层比较、带对照组的前后对比和自然实验能缩小解释范围,让说法可信,但未测量的差异仍然存在。Hill(1965)提出了九条要权衡的考量,没有一条能单独定案。

在你自己的网站上看这个数字

加一行脚本就能开始,网站和 App 都能接,几分钟内就能看到第一批报表。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie