在现实世界中，许多事物之间是具有关联性的，就像一张无形的网，时刻笼罩着我们。
但相关性和因果性是两个不同的概念，换句话说，如果两个事物之间有因果关系，那么它们必然具有相关性；但如果两个事物之间具有相关性，它们不一定具有因果关系。
图形处理器制造商英伟达的深度学习工程师Lei Mao举了个例子，假设我们有一个包含4个变量的系统，分别是温度(t )、 麦克每天饮水量(x1)、 麦克每天尿液量(x2)、加利福尼亚州每天的火灾次数(x3)。
现在我们开始调整温度，让它从0℃逐渐上升到10℃、20℃、30℃和40℃，可以发现，麦克每天饮水量、每天尿液量都会随之上升，同时加州的火灾次数也会增多，如下图所示：
我们可以据此判断，麦克每天的饮水量、每天尿液量和加州火灾次数是相关的，而且饮水量是原因，尿液量是结果，那么我们能说饮水量是原因，加州的火灾次数是结果吗？
如果把这个问题丢给任何有常识的人，他都会说两者没有因果关系，因为麦克不是超人，他怎么可能通过喝水导致火灾呢？
因此，这个例子阐述了一个道理，因果关系是相关性的必要条件，但不是充分条件。
而要证明麦克喝水与加州火灾没有因果关系，只需要控制温度，然后增加麦克喝水量，同时观察他的每天尿液量和加州火灾的变化。
事实上，无论麦克喝多少水，都不会导致加州火灾的变化。
在上面这个例子中，麦克每天的饮水量和加州火灾次数的相关性，都是由第3个因素“温度”引发的，而这种隐藏的变量被称为“混淆器”。
正是由于混淆器的存在，人们经常混淆相关性和因果关系，因为人类的大脑喜欢寻找模式，即便它不存在。
当两个变量看起来很紧密地联系在一起时，我们会理所当然地认为它们具有因果关系。
因此，要找到正确的因果关系并不容易，但通过"对照实验"可以做到。在麦克的这个例子中，如果我们有一个麦克的克隆人，我们可以让麦克每天喝5杯水，克隆人每天喝10杯水，结果发现无论喝水多少，都不会影响加州火灾次数，因为两者不具有因果关系。
不过在现实世界中，即便用对照实验，难度也很大，因为你必须要让变量完全一样，比如麦克喝的水完全一样，杯子完全一样等，这也是为什么一些科学发现的结果是错误的。
在我们的现实生活中，那些看上去是因果关系的事物，并不一定如此，比如家长抱怨小孩子玩游戏导致学习变差，但很有可能是糟糕的家庭关系，或者错误的学习方法导致孩子的学习成绩差，最终只能通过玩游戏来逃避。
因此，如果你弄错了因果关系，试图通过改变"错误"的原因去影响结果，是永远不可能有效果的。
