这是一个很大的话题，你的问题可能会因为过于宽泛而被提名为结束，但我会做一些扩展的评论。它不是完整的答案。人们就这个主题写了整本书。例如，请参阅 Judea Pearl、Sander Greenland 和 Miguel Hernán 的作品。

是否可以使用回归来检查因果关系？

当然，回归模型可以用来检验因果假设，而且确实经常这样做。然而，用任何统计模型来证明因果关系是不可能的。研究人员可以假设特定的因果路径，然后使用回归模型来检验他们的假设。这里的问题是，因果假设，例如“X 是否导致 Y？”，不能在得到答案“是”或“否”的意义上直接检验。例如，在频率统计中，测试通常会提供一个问题的答案：“如果 X 和 Y 之间没有关联，那么获得这些数据，或者更极端的数据的概率是 x%”这显然不是研究人员真正的问题。这是一个很常见的误解。另一方面，如果这个概率很低，那么它与研究人员的因果假设是一致的。

有向无环图 (DAG)，有时也称为因果图，是因果推理中非常有用的工具，特别是在回归分析的背景下，它们可以帮助减少在尝试估计因果效应时可能出现的大量偏差使用回归。有关详细信息，请参阅此问题和答案：

DAG 如何帮助减少因果推理中的偏差？

这是否总是“没有操纵就没有因果关系”？换句话说，我们只能在进行某种操作之后才能谈论因果关系？？

不。有大量关于观察数据中因果推理的研究，其中不可能操纵或执行干预。

确实，操纵或干预比纯粹的观察研究更可取，但这通常是不道德的。例如，我们可能对某些潜在有害暴露对某些健康结果的因果影响感兴趣，并且设计一个研究组中的一些人暴露而其他人没有暴露的实验是不道德的。我们不能进行实验的另一个原因可能是实用性。例如，我们可能对童年 bmi 的某些“轨迹”对以后生活 bmi 的影响感兴趣。在研究的一个分支中设计一种干预来操纵 BMI 是不切实际的。

如上所述，这是一个广阔的区域。检查此问题和答案以获取有关操作的更多详细信息：

统计和因果推理？