第 3 章 相关性当因果
本章判据："两个数字一起动，你凭什么说是因果？"
本章主线：相关性不是因果；而在 HR 的实践里，"不能做实验"让这个错误特别难被发现
一
我见过一份人力分析报告，其中有一句写得很漂亮：
"数据显示，员工敬业度每提升 1 个百分点，人均产值提升 0.8 个百分点。"
这句话的格式是标准的：有变量、有关系、有系数。它来自一份真实的数据表，跑了真实的回归。
我问了报告的作者一个问题：
"这个 0.8，是算出来的，还是推出来的？"
他愣了一下，说："算出来的，回归跑出来的。"
我说："那它就是算出来的。"
他大概觉得这句话没什么意义——算出来的，不就是准确的吗？
但这一章要说的恰恰是："算出来的"和"真的"之间，隔着一整段东西。
二
先说清楚"相关性"到底是什么。
相关性只说明一件事：两个数在时间或个体上，同向或反向变化。 它不告诉你为什么。
而在实践中，"相关性当因果"有三种最常见的样子。它们都很好认，但都很容易被绕过。
第一种：跑一个回归，然后把它当结论。
"我们把过去三年的数据跑了一遍，发现培训投入和业绩增长之间，有 0.72 的相关性。"
问题在于：0.72 说的是"它们一起动"，不是"因为动了这个所以动了那个"。 而报告写出来的时候，这句话会变成"培训推动业绩增长"。
第二种：时间先后当因果。
"去年我们上了绩效系统，今年业绩涨了。"
这句话里有两个事实（上了系统、业绩涨了）和一个暗示（前者导致后者）。而"暗示"不是论证——中间那一年里还发生了很多别的事。
第三种：横向对比当因果。
"高绩效的公司，HRBP 配置都比我们多。"
这可能是真的。但它不说明"多配 BP 就会高绩效" —— 也可能是反过来的：因为公司效益好、业务复杂，所以配得起更多 BP。
三
现在说清楚：为什么"两个数一起动"不等于"一个导致另一个"。
有四种典型情形，看起来都像因果，其实都不是。
| 情形 | 例子 |
|---|---|
| 共因 | "培训场次增加时，业绩也增长" —— 真实原因是公司进入扩张期，扩张同时带来了更多培训和更多业绩 |
| 方向反了 | "业绩好的部门 BP 更多" —— 可能是业绩好所以配得起 BP，不是 BP 多所以业绩好 |
| 共同趋势 | 两条线都在涨，而它们之间没有关系——只是因为都在随着时间涨 |
| 选择偏差 | 你只看了"活下来的公司"——那些同样做了这件事但没成功的，不在你的样本里 |
这四种情形有一个共同点：它们都能生成一个漂亮的数字。 数据本身没有问题，问题在"从数字到结论"这一步跨得太快了。
所以这一章的判据在后面，但先记住一句话：
数据能告诉你的，永远比你想让它告诉你的少。
四
接下来的问题是：为什么这个错误在 HR 领域特别重？
因为在别的领域，你至少可以做实验。
而人才组织这件事有一个天然的限制。这个限制，可以用一句很准确的话说出来：
"人才组织手段到业务成果的前置性和作用链条长，不能更多的实验。"
这句话拆开看，是三个约束：
| 约束 | 意思 |
|---|---|
| 链条长 | 从"做了什么"到"业务成果"中间隔着好几段，每一段都可能让因果失效 |
| 前置性 | 手段必须在业务之前就到位，而结果要很久之后才出现 |
| 不能实验 | 你不可能给一半部门做、一半部门不做，然后比一比 |
三个约束加起来，结论就是：这件事没法用实验来验证。
而"没法验证"会带来一个很现实的后果——只剩两条路：
- 靠因果推（把中间那段链条讲清楚）
- 靠猜（用相关性替代）
而第二条路看起来更"科学"，因为它有数据。
这就是为什么相关性在 HR 领域特别流行：它不是懒，它是"在没有实验条件时，唯一看起来客观的东西"。
但"看起来客观"，不等于"对"。
五
到这里，我要给出这一章的判据。它问的是一句很多人都答不上来的话：
"两个数字一起动，你凭什么说是因果？"
有几种答案是成立的：
- "因为我把中间那段说清楚了" —— 从 A 到 B 中间经过哪几段、每一段为什么成立。这是因果。
- "因为我做了对照" —— 有对照组、有排除其他解释。这也是因果。
而不成立的答案，通常是这两个：
- "因为数据是这样显示的"
- "因为时间上它先发生"
这两个答案的共同点是：它们只描述了"观察到了什么"，没有描述"为什么"。
还有一个更狠的追问，可以用来检验自己：
"如果我把它们之间的那一段说清楚了，我还需要这个数据吗？"
如果答案是"不需要了" —— 那这个数据从来不是证据，它只是装饰。
六
说清楚：相关性不是坏东西。它有一个很正当的用法。
当它是"起点"，不是"结论"的时候。
相关性的正确用法是：它提示你去看因果。 "这两个数一起动了，这很有意思，那中间发生了什么？"——这是好的用法。
而错误用法是：把它当成结论。 "这两个数一起动了，所以是这个导致了那个"——这一步跨过去，就错了。
这里有一条界线，很清楚：
| 相关性的角色 | |
|---|---|
| 起点 | 提示线索，引导你去查因果 |
| 结论 | 直接下判断，替代了因果 |
所以一个更实用的建议是：当你的分析里出现一个系数时，先问它属于哪一类。 如果它后面跟着一条清晰的机制，那它是强度估计；如果它后面什么都没有，那它是一个好看的幌子。
七
所以这一章要立的东西，就是这一句：
"相关性告诉你'它们一起动'，因果告诉你'谁该动'。"
而这两个答案的差别，在实践里非常大：
- 只看到"一起动"，你能做的事是加大剂量（既然效果好，就多做一点）；
- 看到"谁该动"，你能做的事是改变位置（动那一段，而不是动更多的量）。
而这两条路走五年之后，会到一个完全不同的地方——一条在加成本，一条在改设计。
八
你现在就能做的
找出你最近说过的一句"因果话"——一句就够。
判断标准是：这句话里有没有"因为……所以……"或者"推动了""带动了""提升了"这类词。
然后做一件事：把这句话中间那一段补出来。
A（你做了什么）→ 第一段 → 第二段 → B（业务结果变了）
规则很简单：
- 如果每一段你都说得出为什么 → 那这句话是因果，可以放心讲；
- 如果补到某一段补不出来了 → 那这句话就是相关性，它现在只是一句好听的话。
这个动作不用十分钟。 但它能让你分辨出：自己嘴里那些"因果"，有几条是真的。
你还需要补的
上面那个动作补不出来的地方，缺的几乎是同一样东西：
从业务成果往回推的那一段推理。
而这需要先解决一个前置问题："成果"到底是什么、怎么算数。 那个问题不解决，"因果"两个字就没有落点。
那是第 12 章要讲的。