1. 被引用的发现“越信任媒体的人对政治和新闻的了解越多”和被引用的发现“人们越信任科学，他们的科学素养就越高”，都是在观察数据中发现的结果。众所周知，很难从观测数据中推断出因果关系。因此，这些被称为相关性。也就是说，尚未确定信任媒体会导致人们对这些主题更加了解；同样，我们不知道对科学的信任会导致人们变得更有科学素养。例如，受过更多教育可能会带来更多的知识和对媒体的信任，也可能是科学素养越高，人们越容易信任科学。

2. 以下主张（“信任更多的人应该更好地确定信任谁”）在逻辑上并不遵循先前的主张。因此，先前声明的因果状态在支持其真实性方面并不那么重要。相反，它似乎是对直觉的一种诉求。

3. “证据”是刚刚被引用的两个发现。

这意味着，改变其中一个变量可能会也可能不会导致改变另一个变量。我们不能先验地说哪个可能性有多大。

想象一下，你可以强迫某人增加科学知识。如果证据是相关的，它可能会也可能不会导致信任的改变。如果存在因果证据，即知识会引起信任，那么很有可能干预性地改变（例如通过激励学习）一个人的知识将产生改变信任的效果。

还有另外一种方式。想象一下，你可以改变某人的信任。如果证据是相关的，那么改变某人对科学的信任可能会也可能不会导致获得知识。因果证据使这种影响更有可能发生。

造成这种区别的原因很多。

其中之一是相关性不区分方向。有可能，只有知识才能引起信任，反之则不行。此外，还有可能首先人们获得信任，然后是知识。此外，这种关系也有可能是双因果的：当某人获得一些知识时，就会获得一些信任，但信任会促使人们获得更多的知识，从而导致更高的生锈。

另一个是，这种关系可能不直接存在，而是由第三个变量引起的。例如在大学学习。如果一个人上大学，这样的人既获得了知识，又被说服了，那科学是有道理的，因为遇到了很多人，他们相信科学，并以此为生。除非我们进行特殊分析，可能会考虑到这些事情，否则我们根本无法确定因果关系是否存在。

第三个例子是，也许人们被分析，并得出这样的相关证据，其选择方式是“产生”相关性，而他们之间没有任何关系。例如，如果我们对一群成功的科学家进行这样的分析，假设成功需要知识和对他们所做的事情的信任，这种相关性可能会出现，但改变其中一个变量不会导致任何反应从另一个。

证据是“相关的”（通常称为“观察性的”）意味着这是事物之间统计关联的被动观察证据，没有任何受控实验。例如，考虑一下“人们越信任科学，他们的科学素养就越高”的说法。据推测，作者指的是一些被动的观察证据，表明对科学的信任与观察组的科学素养相关。据推测，该证据不涉及任何实验干预来操纵这些变量中的一个，然后观察对另一个变量的后期影响（或缺乏影响）。

获取有关此问题的证据的另一种方法是进行随机对照试验（RCT），其中研究人员以某种方式干预以影响正在研究的变量之一，然后观察另一个变量在一段时间内是否有任何变化时间。（通常干预只针对研究中的一个组，另一组作为“对照组”。）例如，研究人员可能会进行一些他们认为会外生增加治疗组“对科学的信任”的干预（不提高他们的科学素养）然后测量两组后来的“科学素养”，看看他们的干预是否有任何效果。

对科学的信任 -> 科学素养在观察上等同于科学素养 -> 对科学的信任。同样，教育 -> 对科学和教育的信任 -> 科学素养在观察上也等同于对科学的信任 -> 科学素养。因此，当他们说“即使这些证据仍然是相关的”时，他们是在说他们不能排除这些替代解释，这些替代解释可能会导致相同的相关性，而不会存在对科学的信任 -> 科学素养的因果关系。下一个短语是声称尽管无法排除反向因果关系或基于相关性的遗漏变量偏差，但存在对科学的信任 -> 科学素养的因果关系是有道理的。