解释“原因”是一种不对称关系（X 导致 Y 不同于 Y 导致 X）可能很有用，而“相关”是一种对称关系。

例如，无家可归人口和犯罪率可能是相关的，因为两者在同一地点往往高或低。说无家可归人口与犯罪率相关，或者犯罪率与无家可归人口相关，这同样有效。说犯罪导致无家可归，或无家可归人口导致犯罪是不同的说法。相关性并不意味着两者都是正确的。例如，根本原因可能是第三个变量，例如药物滥用或失业。

统计学的数学并不擅长识别根本原因，这需要一些其他形式的判断。

我最喜爱的：

1) 越多的消防员被派往火灾，造成的损失就越大。

2) 接受辅导的孩子比没有接受辅导的孩子成绩差

和（这是我最喜欢的）

3）在小学早期，星座与智商相关，但这种相关性随着年龄的增长而减弱，到成年后消失。

我一直很喜欢这个：

来源： http: //pubs.acs.org/doi/abs/10.1021/ci700332k

1. 有时相关性就足够了。例如，在汽车保险中，男性司机与更多事故相关，因此保险公司向他们收取更多费用。你无法真正测试这个因果关系。你不能通过实验改变司机的性别。谷歌在不关心因果关系的情况下赚了数千亿美元。

2. 要找到因果关系，您通常需要实验数据，而不是观察数据。尽管在经济学中，他们经常使用观察到的系统“冲击”来测试因果关系，例如如果 CEO 突然去世并且股价上涨，您可以假设因果关系。

3. 相关性是因果关系的必要条件，但不是充分条件。显示因果关系需要反事实。