1. 如何看待因果解釋？從一個夢遊症暴力案件說起
一名居住在堪薩斯州的男子在經歷了一系列夢遊事件之後，去了一家睡眠障礙的診所，想要查出他到底得了什麼病。一個多月後，他被確診爲非快速眼動睡眠異常症。這種睡眠障礙可能會導致人們做出一些奇怪的行爲，比如在睡眠中導出走動或吃東西等，但大腦不會記住這些事情。在他被確診兩個月後，醫生增加了他的用藥量，而在增加用藥量的兩天後，他被捕了，並且被控告殺死了自己的妻子。
睡眠異常症患者以外殺人的案例十分罕見，但這個案例會是其中之一嗎？
從證據的角度來看，這個案例似乎真的是睡眠異常症患者意外殺人的案例，這名男子在被捕之前撥打了911，他在電話裏的表現非常奇怪，似乎對已經發生的事情（實施暴力）感到十分困惑。鑑於他有睡眠異常症病史，所以這這一切聽起來就好像他還在睡眠中一樣。
然而，進一步調查之後發現，夢遊時的暴力行爲的很多其他常見特徵在本案中並未出現，例如：
- 他和妻子有過爭吵，這就構成了一種故意傷人的動機，但夢遊時的暴力行爲通常沒有任何動機
- 他和妻子之間的距離很遠，但夢遊者通常必須要靠近他人才會出現暴力行爲
- 他使用了多種武器，但夢遊時的暴力行爲通常只用一種武器
最終，經過刑偵調查，這個案子水落石出，被證實爲一起謀殺案件。
這個案子的重點是，不能只因爲睡眠異常症可能會導致謀殺，而這個案子裏既有睡眠異常症也有謀殺，就理所當然地認爲一定是睡眠異常症導致了這一起特定的殺人事件。
在這個案件裏，檢察官是如何發現證據存在的異常的呢？事實上，檢察官所使用的方法稱爲“類型層面先驗知識推理法”，按照類型層面先驗知識，該案件中出現被告聲稱的結果的概率是十分低的，而如果有人聲稱出現了這個低概率的結果，那就很有可能是一個異常推理。
當我們詢問某件事爲什麼會發生時，我們想要的是一個事件爲什麼會發生或者爲什麼未發生的因果關係解釋，比如：
- 爲什麼會發生某一場暴動？
- 爲什麼兩個人會發生車輛碰擦事故？
- 爲什麼某個候選人會贏得選舉？
2. 因果關係解釋的分類
0x1：實體原因
對特定對象的的某個具體結果來說，解釋行爲的目標就是要找到一些導致特定事件發生的原因，也就是所謂的實體原因。
例如：
- 大部分情況下，我們想要解釋的都是出了問題的事件。比如：
- 馬克7月4日沒有塗防曬霜在海灘上待了一整天，結果他的皮膚被曬傷了。紫外線會導致皮膚曬傷是普遍知識，但是到這個具體的case，馬克被曬傷則是因爲他自己沒有做好防曬措施
- 我想知道我在4.1號的C1919航班爲什麼晚點了。航班晚點的一般原因可能是因爲天氣和空中交通管制等原因，但是到這個具體的case，C1919航班晚點的原因是因爲機械故障
- 我們可能也會想要知道爲什麼某件事沒有發現，例如人們是如何成功地躲避某場核災難，或者人們是如何成功讓某種傳染性疾病停止傳播的。
實體原因的特點是，具體問題具體分析，是後驗數據驅動的因果推斷。
0x2：類型層面原因
類型層面上的因果關係讓我們能夠深入認識事物的一般屬性，比如：
- 陽光照射會引起皮膚傷
- 萬有引力導致星球之間形成彼此環繞的方式旋轉
在類型層面上，我們想要獲得的是可以用來預測未來事件的知識，或者是可以用來在普遍意義上（比如針對整個人口羣體的政策）改變事件發展進程的知識，這種知識不受時間上的限制，這有點類似於筆者在另一篇文章中談到的動力學模型。
0x3：實體原因和類型層面原因的綁定關係
在很多案例中，實體因果關係都起了非常重要的作用。然而，有時可能會出現一些一次性事件，這種事件永都不會發生第二次。在這種情況下，我們可能在事件發生之前都不知道還存在這樣的因果關係。例如：
- 法國和墨西哥之間的那場在某種程度上由甜品引發的戰爭，這種引發戰爭的原因聞所未聞
- 藥品的某些副作用或相互作用可能從來沒有在臨牀試驗中出現過，但當這種藥品被用在更大且更多樣化的人羣中時，可能就會出現這樣一些副作用
實體因果關係的這種特徵導致了人們難以確定實體因果關係，因爲如果我們不能把類型層面的原因當作實體原因，那麼即使這些原因出現了，我們又如何才能得知某件事情爲什麼會發生呢？
換句話說，我們的先驗知識（類型層面原因）和我們的後驗觀察結果（實體原因）需要能夠形成某種程度的綁定與調和，我們才能形成一個完整的貝葉斯判斷。
很多方法都能夠幫助我們理解這兩種類型的原因是如何組合在一起的，
- 演繹法（一般到具體）：我們可以先找到事物的一般屬性，然後將這些屬性套用到具體事物上
- 歸納法（具體到一般）：我們也可以先從具體案例出發，然後得出一般性的結論
3. 尋找某個事件發生的原因
在實際工程實踐和生活中，我們常常會遇到如下一些涉及到因果解釋的問題，
- 我們知道破舊的洗衣機會讓水龍頭漏水，但是僅知道這一點是否就能解釋爲什麼上週二Ann家的水龍頭爲什麼會滴水呢？
- 由於機場的安檢隊伍太長，結果Bernie沒有趕上他乘坐的航班，我們是否可以由此推斷出安檢隊伍是導致旅客誤了航班的原因呢？
上一章我們說到，對過因果解釋，我們有實體層面（具體案例具體分析）和類型層面（一般化原理）的解釋角度，在面對具體案例的時候，我們是使用兩者其一還是兩者結合起來使用呢？
這一章我們來詳細討論這個話題，我們先使用類型層面的原因來解釋實體原因，然後討論一下這種分析方法面臨的一些挑戰，然後返送類型原因和實體原因之間的聯繫，最後，我們會嘗試完全切斷類型原因和實體原因之間的紐帶。
0x1：出現多重原因時，如何解釋因果關係
1、類型層面原因如何解釋多重因果關係
假設我們想知道是什麼導致了某一場車禍。雖然我們無法從一場車禍中找到某一條規律，但是可以使用我們的先驗知識來解釋這一場車禍。
例如，我們可以使用Mackie的 INUS條件（非必要充分條件中的非充分必要部分）來找到好幾組導致車禍的因素，如果這幾組因素中至少有一組因素的各個組成部分都出現了，那麼車禍這個結果就一定會發生。但是，可能有多組因素都足以導致車禍這一結果。
2、實體原因如何解釋多重因果關係
如果我們想證實路面結冰是導致這場具體交通事故的實體原因，那我們還要知道令路面結冰導致交通事故的其他因素也存在於現場，比如能見度低，因爲在這個案例中，路面結冰本身並不足以導致交通事故。
但是問題是，如果路面結冰和能見度低這兩個因素都出現了，駕駛員又醉酒，而且交通也非常擁擠，情況又會怎麼樣呢？
從上圖中可以看到，這些組合都足以引起交通事故了。由於這個超定事件中出現了多重充分原因，所以實體原因分析法無法確切找到事件發生的原因。
雖然有很多困難，但是也不是完全沒有辦法。分析具體案例的另一種方法是假設法。
- 假如路面沒有結冰的話，這起交通事故還會發生嗎？
- 假如駕駛員沒有喝酒的話，事情的結果會有什麼不同嗎？
- 假如我沒有吃這個藥，我還會康復嗎？
- 假如我沒有熬夜而是早點睡覺，我還會頭疼嗎？
- 如果我穿越街道的時候沒有那麼匆忙，我還會被絆倒嗎？
在假設法分析方法中，我們將原因定義爲某種能夠改變事件發展進程的事物，即如果這個原因沒有出現的話，事情的結果將和我們知道的實際發生的結果大不相同。
這本質上就是我們討論過的反事實推理法，我們知道，反事實依賴性是指：如果原因沒有發生的話，結果也不會發生；如果原因發生了，結果也一定會發生。
反事實推理法主要用於解釋事件發生的原因，其核心思想是影響事件的發展過程，在心理學領域這被稱爲歸因。
但是需要注意的是！反事實推理並不能完全解釋歸因過程！
- 在有些情況下，反事實推理法認爲事件之間不存在因果關係，但人們根據先驗知識並不贊成這樣的結論；
- 在另一些情況下，雖然人們認爲兩個事物之間不存在因果依賴性，但反事實推理法卻發現它們之間存在反事實依賴性
3、多重原因中的責任比例劃分
在某些案例中，我們可以說多重因素共同導致了某個結果。例如對一個行刑隊而言，可能所有開槍的隊員都是導致犯人死亡的原因，但我們不需要知道致命的一槍究竟是哪個隊員開的。
但是在另一些案例中，比如說法律案件，我們卻不得不進行責任劃分。
在法律案件中，我們需要根據每一個因素對原告造成的傷害程度來劃分其應該承擔的責任比例。
- 假設一個人由於長期在噪聲很大的環境中工作（原因之一）並且腦部受了外傷（原因之二），從而喪失了聽力
- 另一個人完全是由於工作場所的噪聲（唯一原因）而喪失了聽力
那麼這兩種情況下法院所判的賠償是不一樣的，而且，法院判給第一個人的賠償還需要由這兩個原因的責任方按照責任比例共同承擔。但這裏最困難的問題是，我們很難準確地知道不同原因所佔的比例應該是多少。
有學者認爲，當我們無法確定某個因素是否應該承擔責任時，可以根據每個因素在整個人中導致的某種結果的比例來確定這個因素所應承擔的責任比例，或者根據這個因素相對於所有潛在的風險因素而言能夠導致某種結果的比例來確定這個因素所應承擔的責任比例，這本質上還是在類型層面原因的理論範疇。
這種建議假設了事件發生的一般性概率可以直接適用於某一個具體事件，但事實上，我們無法確定普遍性的一般統計規律，對具體的每一個人是否還能使用。通過概率統計，我們在用一些方法來計算具體案例的發生概率方面已經取得了一些成績，但是這些方法要求我們對事件發生的背景知識有着充分的瞭解。這方面典型的例子就像我們之前討論過的SIDS案例。
筆者思考：
根據一般性規律，對未來的具體案例進行因果解釋，並不是一個純理論問題。我們在機器學習中常常提到一個叫“模型泛化”的概念，我們希望基於先驗知識和先驗大數據樣本得到的模型，能夠對未來可能出現的各種情況，都具備較好的解釋能力。對這個問題，數據分析師需要十分謹慎，泛化能力成立的前提條件是我們對事件發生的背景知識有着充分的瞭解。換句話說，除非我們找到了事件發生的完整動力學模型、或者拿到了代表事件概率分佈的完整典型集，否則我們的模型就不能被稱爲是類型層面原因模型，自然也無法達到我們所期望的泛化能力。
0x2：解釋可能具有主觀性
我們需要知道，即使是兩個人使用同一推理方法也可能會得出不同的因果結論，這裏面存在很多主觀因素會影響到最終對因果的解釋，例如：
- 我們選擇的測量對象和描述測量對象的方式（比如用體重和身體理化指標）都會影響到類型層面的推理
- 我們對結果是否出現、以及出現程度的判斷存在主觀因素，比如，有人一年只聽一次非常喧鬧的演唱會，而有人則是搖滾樂隊的成員或者每週都會去聽一次非常喧鬧的演唱會，那麼對於這兩種人而言，由於噪聲喪失聽力的風險是不一樣的
在因果推理過程中，由於我們是基於數據量化來界定一組變量（比如將身高和體重轉換成身體質量指數），然後從這組變量中尋找變量之間的關係。而由於主觀因素導致的量化界定不清晰問題，就可能會嚴重影響我們進行因果推理的準確度甚至結論本身。
在實體因果關係案例中，我們將實際情況與我們掌握的類型層面的知識聯繫在一起。
例如可能有一項研究發現運動量大的人靜態心跳率比較低，但現在我們想知道的是，Tracy的靜態心跳率比較低是否是運動量大導致？
先前的研究可能會準確地告訴我們一個人必須鍛鍊多少次、每次鍛鍊多長時間（比如一週6次、每次30分鐘）才能降低靜態心跳率。但除此之外，我們還需要考慮很多問題，
- 只有鍛鍊3個月以上的人身上纔會出現這種關係嗎？
- 所有的鍛鍊形式都一樣嗎？
- 要不要單獨考慮瑜伽和游泳這兩種鍛鍊方式？
- 如果Tracy只在天氣暖和的時候才鍛鍊，在冬天的時候根本不鍛鍊，這會影響這種關係嗎？
我們之所以要將實體層面的觀察和類型層面的知識結合起來，是因爲在確定事實真相的過程中，人們可能會不自覺地帶入自己的主觀性，從信息論的角度來看，主觀性就是一種不提供任何信息的冗餘噪聲。我們需要通過精確的條件限制與定義，將真正的原因內核提取出來，將和原因無關的信息都剔除，以此得到一種精簡的因果推理模型。
0x3：時空因素對尋找原因的影響
1、原因出現的時間
使用類型層面的原因來解釋實際案例時，讓問題複雜化的第三個因素就是時間。即使我們掌握的類型層面的信息並沒有告訴我們某個原因需要多長時間才能導致某種結果，我們仍然不可避免地要考慮到時間因素，因爲時間因素決定着哪些信息與實際案例有關。
- 如果我們假設一場交通事故是酒駕引起的，那麼在事故發生時，駕駛員應該處於醉酒狀態。駕駛員一個星期之前喝的一次酒，一般不可能是引起這次事故的主要原因
- 而對於那些潛伏期很長的傳染病來說，我們則會假設病人一定是在過去的某個時間區間內（1-14天）解除了傳染病原。
假設有一種藥物可以在30分鐘到60分鐘內減輕頭痛症狀，Charlie得了頭痛症之後吃了這種藥物，結果在62分鐘之後他的頭疼症狀減輕了。那麼，這種藥物對Charlie的頭痛症有沒有幫助呢？
要回答這個問題，我們需要先定義清楚時間因素和結果解釋之間的關係是怎麼樣的。
在找到那些類型層面的因果關係時，我們需要清楚地定義這些時間窗到底是"某個結果可能會出現的唯一時間段（硬邊界）"，還是"某個結果最有可能出現的時間段（概率分佈）"。
2、時間因素對結果出現的概率性影響
要想解決上述問題，唯一的辦法就是放鬆類型層面的關係與實體層面的關係之間的聯繫。
出於很多原因，我們觀察到的東西和我們已有的認知並不吻合。因此，我們可以將這種不確定性融入我們的解釋過程中。
- 有人在服藥29分鐘之後頭痛症狀消失了，有人在服藥290分鐘之後頭痛症狀才消失，與第二個案例相比，第一個案例的藥物更有可能（但不是100%確定）是頭痛症狀消失的原因。這體現了我們的先驗知識中的不確定性。
- 我們並不確定Charlie有沒有服用補熱息痛，但我們看到有一盒打開的補熱息痛放在一杯水旁邊，於是就可以使用這些間接信息來估算他服用藥物的概率。這種方法的基本原理體現了我們對實體案例中的信息的不確定性。
Mackie的 INUS方法假設了我們對事物的運行機制有着充分的瞭解，所以能夠界定確定因果關係複合體，比如一組因素的出現總能帶來某個結果。但是，很多因果關係的出現都是有一定概率的，這可能是事物本身的不確定性導致的，也可能是我們對世界的認知不夠全面導致的。
即使某個原因導致某種結果的概率很低，但它在實體案例中仍有可能成爲導致某個事件發生的原因之一，而我們計算出的概率或原因強度可以告訴我們這種情況發生的可能性有多大。然後，我們可以利用這些砝碼來評估各種因果解釋的依據。
假設我們想知道Irene昨晚爲什麼會失眠，我們測量了各個原因的顯著性值，然後發現喝4盎司的濃縮咖啡在4小時內導致失眠的顯著性值爲0.9。如果我們瞭解到Irene睡前3小時曾去過一家咖啡店，並且喝了4盎司濃縮咖啡，那麼喝濃縮咖啡導致她失眠的顯著性值就會是0.9。但是，如果她從咖啡店回來之後又熬夜看了一會兒電視，而實際上是在喝咖啡6個小時之後纔出現失眠的，那麼由於失眠發生在濃縮咖啡影響睡眠的時間範圍之外，因此濃縮咖啡導致失眠的顯著性值應該比0.9要低一些。
由於6小時位於灰色長條所示的已知時間窗之外，所以Irene那時候失眠似乎就不太可能是因爲哈咖啡導致的，換句話說，喝咖啡後6小時候依然導致失眠是一個小概率異常事件。
但是這裏有一點要注意的是！
當我們對同一個原因在不同的時間段對於結果的顯著性值進行加權時（或者在解釋某個原因對不同時間段的影響時），應該講這種概率和顯著性值結合在一起考慮。這意味着，一個對結果影響比較大的原因即使和已知的時間段不太吻合，它的顯著性依然比一個對結果影響比較小但是實際出現的時間段與已知時間段完全吻合的原因更大。這就是所謂的瘦死的駱駝比馬大。
換句話來說，我們對結果的原因解釋實際上是按照數學期望的方式進行度量的，
原因對結果的影響顯著性期望 = 該原因的對結果的先驗影響（類型層面） * 該原因的發生概率（實體層面）
舉例來說，如果Irene睡覺時房間裏有點太暖和了，就可能會增加她睡不好覺的概率。但是，我們可能依然會認爲3.5小時前喝濃縮咖啡纔是導致她失眠的罪魁禍首。
這種方法的基本思路是：根據我們所掌握的實體層面的信息來對類型層面的顯著性值進行加權處理，對於具體案例而言，由於各個事件發生的時間不同或者具有不確定性，通過這種加權處於可以對類型層面的先驗知識實現微調效果，這實際上就是貝葉斯推斷的核心思想。
4. 類型層面原因、實體層面原因的矛盾與調和
0x1：傳統因果解釋方法的矛盾
類型層面原因和實體層面原因，體現了我們看待世界的兩種不同方式，分別代表了先驗知識主義、和後驗數據估計主義。這一章，我們用概率的理論體系將二者調和在一起，用一個統一的視角來看待他們。
花的生存需要水分，如果我們不提供充足的水分，花就是死，這是一條普遍常識，是一種類型層面原因。但是如果某一天，你沒有給花澆水，但花並沒有死。第二天依然沒有澆水，花依然沒有死....
我們該如何解釋這種現象呢？這個花本來應該已經死了，但是它卻沒有死，發生了花缺水的事件，但是它卻不是導致花活下來的原因。
第一天沒有給花澆水，花倖存下來的概率降低了。隨着不給花澆水的時間越長花倖存下來的概率逐漸降低。雖然某個因素的出現讓一件事發生的可能性降低了，但是這件事還是發生了。那麼，從只覺得上講，這件事的發生並不是某個因素導致的，而是在出現了某個不利因素的情況下仍然發生了。
同理，雖然某個因素的出現讓某件事發生的可能性提高了，但是這件事仍然沒有發生，那麼，這件事之所以沒有發生也不是某個因素導致的，而是在出現了某個有利因素的情況下仍然沒有發生。比如說，儘管我們擁有良好的醫療服務條件，但是某個病人仍然可能死亡。
要解決這個看似矛盾的問題，我們必須要調整我們的思維方式。
傳統考察事件的方法，都存在一個很關鍵的侷限性，就是我們一直在依賴一般性的信息來解釋具體的案例，並且假設某種因果關係在類型層面的顯著性與實體層面的顯著性是一致的。
0x2：用概率變化的視角來看待因果關係，世界是概率的
哲學家 Ellery Eells 提出了一個研究概率變化的方法：觀察在某個原因出現之後，某個事件發生的概率是如何變化的，並且這個概率是如何隨着時間的變化而變化的。
這種方法講究的是事件實際發生的概率是如何隨着時間的變化而變化的。通過研究我們想要解釋的具體案例發生的概率，我們能夠將一般會發生的事情和實際發生的事情區分開來，並且意識到一個一般情況下可以預防某種結果出現的原因也可能會成爲導致這種結果出現的原因，總之，一切都是概率，沒有什麼是絕對的。
這種方法能夠修正我們的分析，讓分析結果能夠符合觀察到的內容。
- 在一個事件發生後，另一個事件發生的概率開始上升，並且一直上升到真正發生爲止，那麼人們就會認爲另一個事件的發生是由第一個事件導致的；
- 相反，如果一個事件發生後，另一個事件發生的概率下降了，而在這種情況下另一個事件還是發生了，那麼人們就會認爲這個事件是在儘管有不利因素的情況下仍然發生了
筆者思考：
在進行因果解釋的時，不要只看結果會不會發生，而是要看結果是否會以不同的方式發生。假如某個病人沒有吃一種特定的藥，那麼和沒有吃藥的人相比，他康復的速度是否有變快或變慢，因爲其實什麼藥都不吃，人體本來也具備一定的自愈能力。我們需要了解的是，原因對結果發生概率的影響，而不是僅僅看結果是否發生與否。
5. 解釋過程自動化
0x1：因果建模
我們在之前的章節討論了類型層面原因和實體層面原因、以及通過概率變化來量化評估原因對結果的影響程度。接下來的問題是，我們如何能夠通過一定步驟的計算，獲得這樣的信息呢？
解決這個問題的思路和貝葉斯推理的方式類似，我們需要爲研究的系統建一個模型，通過模型，將抽象的問題轉化爲一個數值優化問題。
以預測擊打高爾夫球后預測時候會進洞爲例，根據一些簡單的物理學知識以及我們對風和其他影響因素出現的可能性的一些假設，我們可以對高爾夫球的每一個位置進行多次模擬，從而計算出球從那一點出發之後落入球洞的概率。
當球離球洞很遠時，風或其他不太可能出現的事件導致球的運行軌跡發生變化的概率很高，但當球靠近球洞時，要想讓球偏離球洞，就必須出現更大的變故才行（例如有松鼠推了球一下）。使用反事實推理法，我們可以模擬其他可能出現的情形，從而從數量上來觀測各種情形之間的相似程度，以及在某個原因沒有出現的情況下，某個結果出現的概率。
這和現在氣象預測裏的外推法、微積分法的思想是類似的。
在醫學領域，一般情況下，我們並沒有足夠的信息來如實模擬各種疾病有可能出現的發展過程。但是，我們可以使用來自其他病人的時間序列數據。假設我們想知道，一個病人在被確診爲肺炎的兩週後存活下來是否是因爲服用了抗生素，也就是說，我們想要確定，抗生素是否導致存活下來的概率變大了。
那麼，在服用抗生素之前，我們要利用我們所瞭解的關於這個病人的所有數據來蒐集與這個病人具有相似病史的病人的信息，並計算出那些病人在兩週後存活下來的概率。然後，只要將其與一開始就接受了抗生素治療的那組病人的存活率相比較，就能看出病人在服用了抗生素後的存活率發生了什麼樣的變化。
筆者插入：
在前面高爾夫球的案例中，我們限制了高爾夫球的運行軌跡，一旦高爾夫球到達某一位置，我們就只考慮它從那個位置出發後的運行軌跡。而在抗生素的案例中，隨着時間的變化，我們將以同樣的方式來限制用於對比的病人羣體。在對結果的因果解釋中，我們對結果的絕對值並不關注，相反，我們更關注的是原因對結果影響的相對量。通俗地說，我們尋找的是：因爲你，有什麼不同，而不僅僅是，因爲你，有了什麼。
0x2：因果推理自動化的挑戰
從數據中尋找類型層面的原因一直是計算機科學研究中的一個主要領域，也取得了非常多豐碩的成果。
但是，關於解釋過程自動化的方法研究，卻面臨非常多的挑戰，主要的原因有：
- 我們很難將反事實推理這樣的方法轉換成計算機可以執行的指令。要想設計出一個程序，讓它能夠接收一些關於某個情形的信息，並且告訴我們導致某個結果的原因是什麼，那就需要將解釋原因的過程通過編碼轉換成一系列無須人爲判斷或主觀想法就可以執行的步驟。
- 要如何去評估這些程序的效能？想要知道一個計算程序是否有用，我們需要將它得出的結果和正確答案做對比。然而，對於實體因果關係來說，我們並不是能夠知道正確答案是什麼。
6. 法律活動中的因果關係
在之前的文章中，我們討論了 Sally Clark 蒙冤入獄的案例。由於人們誤用了概率，未能理解因果關係的本質。但是，除了虛假的統計數據以外，上訴法庭又是如何做出不同判定的？爲何陪審員們在聽到同樣的證據後，商議了好幾個星期也無法達成一致意見？
理解法律活動中的因果關係，特別是理解陪審團是如何做出判定的，這有助於我們更好地評估其他情景中的證據。
在法律活動中，人們需要處理的是大量十分複雜而又相互矛盾的信息、和事件的整個發展過程（而不僅僅只是一個原因和一個結果）、以及緊密相連的信息（認證如果說了一句錯誤的證詞，有可能會降低他其餘證詞的可信度）。
在醫學或歷史學領域，專家們從多年的培訓或經驗中獲得了一些技能，他們運用這些技能來解釋病人身上出現不尋常症狀，或者找出某場政治運動爲什麼會在某個特定時間發生的原因。與這些專家不同，陪審員並不是法律方面的專家，也不是他們聽審的案件細節的專家。正是由於這一點，法律活動中的因果推理才格外值得研究。
- 陪審員可能不得不去評估環境因素和醫學生的證據，以便確定癌症疫情密集爆發是否是一件不尋常的事
- 雖然他們不是腫瘤學家或遺傳學家，但他們卻不得不去確定DNS證據能否明確指出導致癌症疫情密集爆發的嫌疑人
因此，陪審員的推理活動和我們日常生活中的推理活動更爲相似。在日常生活中，出於各種實際的原因，我們常常需要解釋一些問題，但又不一定非要對相應的領域有十分深刻的瞭解。
0x1：要不是因爲，就.....
1、反事實推理在超定發了事件中的侷限
假設一名司機未能及時踩剎車，結果撞上了另一輛車。但司機不知道汽車的剎車實際上早就失靈了，所以即便他踩了剎車，也無法把車停下來。
這個案例在法律推理中非常經典，法律案件中用來確定因果關係的核心方法之一是建立在反事實推理的基礎之上的。
在法律案件中，我們常常會問“要不是某個人的行爲，或不作爲”，這一結果會出現嗎？這種推理也被稱爲“事實因果關係”，與反事實推理法完全一樣，這種方法假設原因製造了差異，沒有原因結果就不可能出現。
使用這種方法的主要障礙是無法處理超定問題，即即使車的剎車早就壞了，但是司機自己也沒有及時踩剎車。撞上另一輛車這一結果可能無論如何都會出現，既有可能是剎車問題導致的，也有可能是司機過失導致的。
在超定案例中，兩個或兩個以上的因素都可能是導致某個結果的原因，其中任何一個都無法被判定爲導致某個結果的唯一原因。
相反，在優先權案例中，可能導致某種結果的因素有兩個，但實際上起作用的因素只有一個。比如說，一個病人得了致命了疾病，在他死於疾病之前，護士先撤去了各種幫他維持生命的機器。
2、NESS（充分條件組合中的必要成分）理論框架
反事實推理法的缺陷之一在於，這種方法是將每一個原因分開考慮，而不是將每個原因當做導致某種結果的整體背景中的一部分。
因此，Richard Wright 提出了一個叫做 NESS（充分條件組合中的必要成分）的理論框架，這個框架與 Mackie 的 INUS條件類似，其主要思想是：如果某個事件是一個充分（sufficient）條件組合（set）中的必要（necessary）成分（element），那麼這個事件就是一個原因。
這意味着，
- 如果整個充分條件組合都出現了，那麼結果就已一定會出現，而原因只是充分條件組合中的一個成分；
- 相反，如果充分條件組合中缺少某一個成分，那結果就一定不會出現
在汽車交通事故案例中，剎車失靈是整個充分條件組合中的一部分，而沒有踩剎車則是充分條件組合中的另一部分。那麼，這兩者都是 NESS條件。根據 NESS理論框架，它們都難逃其就。
0x2：近因 -- 法律推理中對時空因素的考量
假設有人嚇走了一隻鴿子。鴿子飛走的時候，驚到了一位正在穿越街道的路人。路人駐足觀望，結果導致一輛正在朝他騎過來的自行車不得不在最後一秒急轉車頭。自行車避讓行人後，正好起到了一輛出租車形勢的車道上。出租車爲了避讓自行車，結果撞上了一個消防栓。消防栓出水導致了附近一棟大樓的地下室被淹，破壞了地下室的供電設施。
雖然嚇走鴿子是啓動整個原因鏈的原因，我們也可以認爲是嚇走鴿子這件事導致了後面的一系列事件，但很少有人會認爲嚇走鴿子的那個人應該對之後出現的一系列事件負法律責任。因此，在法律上，一個沒有責任方的事故仍有可能存在一個原因。
除了要考慮“要不是，就....”原因並進行 NESS測試以外，我們還需要掌握原因和結果之間的距離，以便解釋原因和結果之間發生的那些有可能干預並改變結果的中間事件。
近因就是和結果直接相連的原因，法律上的近因還具有可預見性，也就是說，人們應該能夠遇見該原因可能會導致某個結果。
但在嚇走鴿子的案件中，情況並非如此，所以嚇走鴿子這件事可能是一個“要不是，就...”原因，卻不是近因。
近因纔是我們用來區分因果關係和責任的因素。將責任侷限於近因可以防止人們將其歸咎於那些遙遠的事件。那些遙遠的事件可能觸發了一系列事件，但是最終導致的結果確實無法預見的。
0x3：陪審團面臨的挑戰
1、案情故事模型理論
在日常生活中，當我們想要解釋一些事件的時候，可以尋找新的信息來支持或者否定我們的假設。比如說，
- 你可以去諮詢儘可能多的專家，問問他們你隔壁房子過於花哨的裝飾是否會降低你房子的市值
- 你可以審查每一個專家的資格信息、閱讀關於房價的研究報告並且進行一些實驗，等等
但是，陪審團成員面對的則是一組他們無法控制來源的事實，在某些案件中，陪審團也許能夠向證人提一些問題，但是在絕大部分情況下，他們只能評估並整合證據，而不能直接獲得證據。
更麻煩的是，所有這些複雜的證據信息可能都不是按照時間順序提供給陪審員的。面對這樣的信息，陪審員需要將它們結合在一起，並搞清楚究竟發生了什麼事。
陪審員在聽審的過程中，不會把每一條新的證據都放進互不相干的證據庫中，以便最後一次性對所有證據做一個評估；也不會在每一個時間點對已有的證據做一個階段性總結，然後不斷微調被告有罪或無罪的結論。
大部分陪審員在聽審過程中，都會將獲取的信息組織成一個故事。這種故事模型論最早由 Nancy Pennigton 和 Reid Hastie 提出，主要的理論思想是，陪審員們會將庭審提供給他們的證據（以及他們對證據的評估）和他們的先驗知識以及經驗結合在一起，組織出一個故事來再現案情。
與此同時，陪審員們會對同一個案件得出不同的結論，很大程度上是因爲他們構建出了不同的案情故事。
2、如何評估案情故事有效性
對一名陪審員來說，什麼樣的故事纔是可信的呢？這問題一部分取決於陪審員的經驗（這是主觀柔性的部分），另一部分取決於故事對證據的解釋力（這裏理性硬性的部分），即這個故事能夠解釋多少證據？
一名陪審員對其構建的故事的信心取決於三個關鍵因素：
- 故事的覆蓋面：如果某個人有一份確鑿的不在場證明，那麼那些認爲這個人在案件中有嫌疑的故事就基本不可信的，因爲這些故事無法覆蓋這個人無罪的場景
- 連貫性：一個故事必須以一種連貫的方式組成一個整體
- 獨特性：在某些情況下，可能會出現多個與證據相一致的可能發生的故事，如果很多故事都是連貫的，那麼陪審員無法確定哪一種解釋最有可能發生。相反，如果有一個獨一無二的、連貫的並且覆蓋面很廣的故事，那麼陪審員可能更傾向於用這個故事來解釋整個案情
3、審判過程一般準則
首先要爲一個原因尋找無罪和有罪的證據，然後嚴格審查現有的證據以確定事情的真相，最後判定到底是隻有一個可信的解釋，還是有多個可信的解釋。