芒格原话
第一手出处 · 逐字引文"You must know the big ideas in the big disciplines and use them routinely — all of them, not just a few."（中文转述："你必须了解各主要学科中的大思想，并且常规性地使用它们——所有的，而不只是其中几个。"）
"All I want to know is where I'm going to die so I'll never go there."（中文转述："我只想知道我会死在哪里，这样我就可以永远不去那里了。"）
查理·芒格（本页引文出自芒格第一手出处）
原典解读
忠于原典 · 卡片化定义：有人甩出"A 和 B 相关"，先别急着点头——背后可能是四种完全不同的剧本：①A 引起 B；②B 引起 A；③C 在幕后同时拨动 A 和 B；④纯属偶然。把这四种可能性刻进条件反射，是因果思维的第一课。
核心论述：三个活例子。冰淇淋越好卖，溺水事故越多——真正的幕后黑手是高温天气（第三种）；广告费砸得越狠，销售额越漂亮——也可能是先赚到钱，才有闲钱打广告（第二种）；缅因州离婚率和人造黄油销量，相关系数 0.99——纯属数据撞衫（第四种，tylervigen.com 的经典段子）。在商业世界里拿相关当因果，等于往深不见底的井里扔钱。
定义：芒格听到任何因果断言，第一反应是摇头——除非对方把传导链条讲清楚，还把主要的"备选剧本"逐一排除。他的因果纪律有四条铁律：①先报把握——"X 引起 Y"，把握报七成；②自己找茬——拍板之前，先开出两种以上的其他解释；③想好什么能推翻你——如果 X 和 Y 其实没关系，你预期观测到什么；④把握不大，绝不押重注。
核心论述：把相关误认为因果，是几乎所有认知错误的"总电源"——简单联想把"同时发生"焊成"因果"；奖励惩罚超级反应把"奖励后的好转"记到奖励的账上；社会认同把"大家都做"当成"有效"的证据。芒格的投资心法可以压缩成一句：因果看得清的地方下重注，看不清的地方闭嘴等待——等到因果浮出水面。
场景：手里拿到一份研究报告，或者要拍板一个商业策略的时候（页面 §06）。
步骤：1. 找"老天爷的随机分组"——现实中近似随机分配的场景（比如同一政策在不同地区先后落地），这是最硬的因果证据；2. 拿 Hill 准则过一遍——关联够不够强、不同研究口径一不一致、因是否先于果、剂量和效应成不成正比、传导链条讲不讲得通；3. 反着想——把 A 拿掉，B 还在不在？这是因果判断的题眼；4. 搜集"打脸"证据——"没做 X 照样成功""做了 X 照样失败"的例子一多，X 和成功之间的因果链条就站不住了。
避坑：传导机制讲不清的模式，再漂亮也别押重注——大概率是数据里捞出来的噪声。
场景：日常生活里的大事小情（页面 §08）。
步骤：1. 条件反射式过"四剧本"——凡是"A 和 B 相关"，四种因果结构挨个排查；2. 拆穿"成功者都做 X"的话术——三连问：做 X 却栽了的有多少？不做 X 照样成的有没有？箭头会不会是反的（先成功，才有钱做 X）？3. 别高估自己的直觉——个人经验的样本小得可怜，干扰变量一个都没控制；4. 索要传导链条——说不清"A 怎么一步步导致 B"，免谈；5. 主动找反例——证实性偏见只爱看顺眼的证据。
避坑：相关性最要命的时刻，不是它"荒唐"的时候，而是它"合理"的时候——合理感会让你把因果纪律抛在脑后。
扩展阅读
真实案例 · 与 L1 隔离巧克力与诺贝尔奖——r=0.79 的著名相关 历史事件（学术研究）
人均巧克力消费和诺奖得主数，相关系数 0.79——高得吓人。黄烷醇确实对认知有点好处，机制说得过去。但“多吃巧克力拿诺奖”荒唐：更可能的剧本是富裕国家既吃得起巧克力又投得起科研教育（共同原因）。狠在于：相关很强、机制讲得通，因果结论依然错。相关性，永远不是因果的充分条件。
吸烟与肺癌——因果是如何被确立的 历史事件（学术研究）
1950 年代 Doll 和 Hill 发现吸烟与肺癌相关，烟草公司资助的“研究”递上备选：基因同时让人爱抽烟、又易得肺癌。因果确立花几十年，靠 Hill 准则：强度（肺癌风险高 10–30 倍）、一致性、时间顺序、剂量-反应、机制，全部指向同一方向。相关这才升级为因果——标准动作。
《从优秀到卓越》的 11 家公司——幸存者偏差的因果陷阱 商业案例
柯林斯《从优秀到卓越》挑 11 家公司，提炼“第五级领导力”。后来 Circuit City 破产，Fannie Mae 金融危机中被接管，Wells Fargo 爆虚假账户丑闻。病根：只看赢家——无对照组（做 X 却死的有多少？），没排除反向因果（方向可能反了）。把相关当因果的畅销书，误导一代。
Google Flu Trends——大数据的相关性幻觉 商业案例
Google Flu Trends 用搜索预测流感，开局准——搜“流感症状”人数和病例高度相关。2012–2013 年严重高估，2015 年关闭。病根：相关会“变心”——搜索行为在变，媒体一报道搜索量就上去，而模型默认这是稳定因果。教训：相关解释过去，因果预测未来；底层关系一变，纯相关模型悄然失效。
缅因州离婚率 vs 人造黄油——r=0.99 的纯巧合 思想实验
缅因州离婚率和人造黄油人均消费，相关系数 0.99——完美。没人觉得“少吃人造黄油能救婚姻”。“纯巧合”的极限演示：变量对查得多，总能撞上高度相关组合（多重比较）。警示：0.99 听着像铁证，没讲得通的因果机制，它就是数字。大数据时代“强相关、零因果”的数字遍地都是。（tylervigen.com）
反向因果三例——广告、教育与员工满意度 思想实验
三个例子：①广告带来销售，还是赚了钱才有预算打广告；②教育和收入——也许是教育提高收入，也许是家境好同时带来“多读书”和“高收入”；③员工满意度和业绩——也许是满意的员工更卖力，也许是业绩好的公司待遇更好。功课：先问“方向反了吗”，再问“有没有共同原因”，最后才接受“A 导致 B”。
跨模型互见：关联模型节 8 条链接 跨模型互见
贝叶斯定理——相关是更新信念证据；大数定律——小样本多噪声；回归均值——“治后好转”赖给治疗；受简单联想影响的倾向——大脑把“同发”当“因果”；避免不一致性倾向——断言因果拒反证；自视过高的倾向——高估因果能力；社会认同倾向——“都干”当“有效”；正态与非正态分布——肥尾极端模式不同。
解读 1：大数据没有解决因果问题，反而让它更严重三层推导。①巧合的产量变高了：一次扫一百万个变量对，"显著相关"要多少有多少，大半是噪声——数据越多，巧合的库存越足。②诱惑升级：机器学习本质是相关性机器，预测越准，人越觉得模型"懂"了因果——准确率给因果幻觉加了杠杆。③解法没变：Hill 准则、自然实验、反事实思维，这些 20 世纪的老办法在 21 世纪照样管用——因果是世界的结构，不是数据的属性。数据规模压低的是"发现相关"的成本，"证明因果"的逻辑纹丝不动。
解读 2：相关-因果混淆是其他认知错误的底层基础设施简单联想（同时发生就当因果）、奖励惩罚超级反应（奖励后变好就当是奖励的功劳）、社会认同（大家都做就当有效）——扒开看，底层都是同一个未经检验的因果归因。认知错误很少单打独斗，它们共用一块地基。芒格的多学科思维，说白了是一座"因果机制库"：物理、生物、心理、经济各贡献一套因果模型，手里的机制越多，越不容易被单一的相关性故事忽悠。
解读 3：谦逊是因果纪律的终点承认"不知道因果"，比假装知道值钱得多。推导：一次基于错误因果的重注，杀伤力远超十次"错过机会"——前者毁本金，后者只亏机会成本。芒格的投资哲学：在因果清楚的地方下重注，模糊的地方保持谦逊，等到看清楚再说。这不是消极，是给"错误因果"明码标价。点睛：A 股最不缺"相关性故事"——"猪周期概念""数字经济概念"，股价和题材高度相关，题材到利润的传导路径却讲不清；职业投资人的习惯：没有机制的故事，K 线再热闹也不参与。