因果关系的形而上学（三）

Hart andHonoré（1959 [1985]）表明，正常或违约的条件是背景条件；而异常或异常的是原因。在最近的文献中，正常，默认或惯性条件以及异常，变形或非惯性原因之间的这种区别在最近的文献中已经出现了。例如，McGrath（2005）介绍了以下小插图：阿比盖尔（Abigail）去度假，问她的邻居拜伦（Byron）给她的植物浇水。拜伦承诺将植物浇水，但不会给植物浇水，植物死亡。听起来很自然，拜伦未能给植物浇水是其死亡的原因。暗示阿比盖尔的另一个邻居克里斯（Chris）使植物不浇水使植物死亡，这听起来更糟。但是，似乎布莱恩和克里斯之间唯一的相关差异是拜伦承诺要浇水植物，而克里斯则没有。因此，拜伦未能给植物浇水异常，而克里斯未能给植物浇水是正常的。 McGrath的例子涉及缺勤或遗漏，但此案的此功能是偶然的。 Hitchcock and Knobe（2009）给出了以下案例：虽然允许管理员拿起笔，但教授却没有。管理员阿德里尔（Adriel）和吹笛者（Piper）教授拿笔。当天晚些时候，没有笔钱，院长无法签署重要的纸。在这里，引用Piper的原因比Adriel作为问题的原因好得多。似乎唯一的相关区别是允许阿德里尔拿起笔，但派珀没有。 （有关更多信息，请参见Kahneman＆Miller 1986； Thomson 2003； Maudlin 2004。）

仅考虑此类情况，将这种现象视为更“选择效果”并不是不自然的。也许拜伦（Byron）和克里斯（Chris）都使植物死亡，但出于务实的原因，我们发现引用诺言作为事业的人更自然。霍尔（Hall，2007年）提出了一个更具挑战性的论点，即正态性和违约应在我们的因果关系理论中考虑。他要求我们考虑以下神经元系统：

神经元图：链接到下面的扩展描述

（一个）

图：下面的扩展说明的链接

(二)

图10：一对神经元图。 [图10的扩展描述是在补充中。]

在图10（a）中，我们有第1.2.1节的早期先发制人的情况。在这里，C的射击是E射击的原因。在图10（b）中，我们有一个称呼“短路”的情况。当C开火时，这两者都对E休眠（通过起火）构成威胁，并消除了非常威胁的威胁（通过开火）。这是一个具有类似结构的小插图（请参阅Hall 2004，以及Hitchcock 2001a）：一块巨石被驱逐，并在山上照顾远足者。看到巨石来了，徒步旅行者跳了起来，勉强避免死亡。在这种情况下，巨石的秋天都对徒步旅行者的生命产生了威胁，并消除了非常威胁的威胁（通过提醒他们的存在）。霍尔辩称，巨石的脱落并没有导致徒步旅行者生存。而且，就短路而言，C的射击并没有导致E不发射。从直觉上讲，C对e没什么成就。但是霍尔指出，这两个神经元系统彼此同构。我们可以使用结构方程的系统（请参阅因果模型的条目，以及下面的§3.2）。从早期先发制人的情况开始，然后使用二进制变量A，B，C，D和E分别用于a，b，c，d和e fire。如果它们成对的神经元启动，这些变量将采用值1，如果不射击，则将接收值0。然后，我们可以用这种方程式来代表早期先发制人的因果结构：

答：=b∧前

d：= c

e：=a∨d

转向短路，请注意，我们可以将A*，B*和E*用作二进制变量，以使神经元A，B和E是否不发射。如果它们配对的神经元不发射，则这些变量会占据值1，如果有的话，它们会占据值0。同样，我们可以将C和D用作神经元C和D火是否火的变量。如果它们配对的神经元会发射它们，则这些非刺激变量会呈现值1，如果没有射击，则为0。借助这些惯例，我们可以写下短路神经元系统的以下等态方程式：

a ∗：= b ∗∧c

d：= c

e ∗：= a ∗∨d

这些方程是我们为早期先发制人而写下的那些方程式。而且，在每种情况下，变量的值完全相同。在早期先发制人的情况下，a = 0和b = c = d = e = 1;而对于短路，A ∗ = 0和B ∗ = C = d = e ∗ = 1（Hiddleston 2005中讨论了类似的情况）。

因此，如果我们想声称在早期先发制的情况下C是E的原因，但是否认C是短路的原因，我们将必须指出一些不包含的信息这些方程和这些变量的值。几位作者已经实现了默认状态，正常状态和异常事件之间的区别（例如，参见Hall 2007; Hitchcock 2007a; Halpern 2008，2016a; Paul＆Hall 2013; Paul＆Hall 2013; Halpern＆Hitchcock 2015; and Gallow 2021; and Gallow 2021。批评，请参阅Blanchard＆Schaffer，2017年）。

在传统的情况下，存在广泛的，不加区分的因果关系，这对正常性没有吸引力。务实地使用正态性的考虑因素来“选择”我们称之为“原因”的不加区别的原因，我们称之为“背景条件”。早期先发制人与短路之间的同构挑战这张照片，原因有两个。首先，C的射击大概在早期的先发制度上就像在短路上一样偏差，因此不仅仅是推定原因的正常性，这会带来差异。其次，那些想否认C的射击的人是E在短路中未能开火的原因，不想声称C的射击甚至是E未能开火的背景条件。倾向是说C的射击与E未能开火完全无关。

2。类型因果关系

2.1与代币因果关系的关系

一种因果关系由“昏昏欲睡的驾驶导致崩溃”或“吸烟会导致癌症”等通用主张来描述。一个突出的问题涉及类型和代币因果主张之间的关系。一种观点认为因果关系的主张只是关于象征性因果主张的概括或仿制药（见Lewis 1973； Hausman 1998：第5章；和Hausman 2005）。例如，要说吸烟会导致癌症，只是说令牌癌通常是由吸烟的象征性历史引起的。而且说昏昏欲睡的驾驶原因崩溃只是说，总的来说，昏昏欲睡的驱动原因坠机事件的象征性剧集。这样的通用主张不应被理解为，大多数甚至许多昏昏欲睡的驾驶情节都是车祸的象征性原因。比较：“蚊子携带西尼罗河病毒”，尽管大多数蚊子没有携带西尼罗河病毒，但这是一个真正的通用。 （请参阅仿制药的条目。）从这种角度来看，类型因果主张最终是关于象征性的因果关系。

另一种观点是，因果关系类型比象征性因果关系更基本。克里斯吸烟引起癌症的原因至少在某种程度上是吸烟会引起癌症，克里斯吸烟了，他得了癌症。这种观点由Hume（1739-40，1748），Mill（1843），J。L。Mackie（1965），Hempel（1965）和Davidson（1967）等理论家捍卫。这些理论家首先要分析事件类型，事实或您什么样的因果关系。例如：休ume说，C型引起E类型的是C型的事物与E类型的事物不断结合的是什么是什么C型是E型的任何特定事物的象征性原因。随后的规律性和“涵盖法律”理论增加了额外的铃铛和哨子；但是他们保留了这样一个想法，即C和E之间的代币因果关系是由于某种更广泛的规律性或法律而存在的，从而涵盖了C和E之间的特定关系。

怀疑象征性因果关系只是因果关系类型的实例化的一个原因是，似乎存在象征性的因果关系而没有任何相应的因果关系，并且似乎有象征性的因果关系与相应类型的因果关系背道而驰。 Scriven（1962）给出了以下例子：您伸手去拿香烟，不小心敲打墨水瓶并染了地毯。您伸出的香烟会导致地毯被染色，但伸出香烟的情况总体上会引起地毯污渍。 Suppes（1970）将这个例子归因于Deborah Rosen：在高尔夫球场上，您将球击中了一棵树，球反弹，并且非常奇妙地进入了洞中。在这种情况下，将球撞到树上会导致一对洞，但是将球撞到树上并不会一般会导致一体孔。

Ellery Eells（1991）捍卫的第三个立场是，令牌和类型的因果关系都比其他关系更为基本。 EELL给出了两个因果关系的概率分析：一种用于类型的因果关系，另一种用于代币因果关系。埃尔斯认为，由于这样的例子，这种因果关系的索赔不能仅仅是关于象征性因果主张的概括：即使没有人曾经喝过一夸脱的p plut剂量，但没有任何特定的人死亡，因此，喝一夸脱会导致死亡，因此一夸脱的p。因此，这种类型的因果主张不能成为对代币因果主张的概括。 （有关回应，请参见Hausman 1998：第5章。）

有关令牌和类型因果关系之间关系的更多信息，尤其是在概率的因果关系方法中，请参见Hitchcock（1995a）。

2.2净和组件效应

考虑以下案例，从HESSLOW（1976）采用：假设避孕药（b）预防妊娠（P）。但是，它们也可以具有血栓形成的意外副作用（T）。因此，我们可能倾向于接受因果关系的“避孕药会导致血栓形成”。但是等待：血栓形成的另一个潜在原因是怀孕。避孕药抑制妊娠。情况的一般结构如下所示。

图，但不是神经元：链接到下面的扩展描述

图11：Hesslow的节育案例[图11的扩展描述是在补充中。]

避孕药直接促进血栓形成，但与此同时，它们可以防止妊娠，这本身会促进血栓形成。通过调整概率，我们可以做到这一点，因此总体而言，接受节育对血栓形成的可能性没有影响。然后，我们可能倾向于接受因果关系“避孕药对血栓形成没有影响”的因果主张，无论您是否接受避孕药，您的血栓形成的机会完全相同。希区柯克（Hitchcock（2001b））认为，这样的案例要求我们区分两种类型的原因可能具有的效果：一方面，他称之为净效应，而他称之为组成部分的效果。就赫斯洛而言，避孕药对血栓形成没有净影响。这是说“避孕药对血栓形成没有影响”的真正意义。同时，避孕药对血栓形成具有成分或特定于路径的作用。沿路径B→T，节育促进血栓形成。这是说“避孕药会导致血栓形成”的真实意义。有关进一步的讨论，请参见Woodward（2003：§2.3）和Weinberger（2019）。

3、影响力

3.1 Relata

正如上面§1.1中强调的那样，任何事件或事实的理论都可以轻松地转化为令牌变量值的理论。而且，合理地，令牌变量是通过其值个性化的。因此，当涉及变量之间的令牌影响时，我们将面临许多有关因果关系的相同问题和辩论：它们有多细或粗粒？什么时候两个变量相同；它们什么时候与众不同？变量可以包括缺席或遗漏作为值吗？但是，还有一个问题要询问变量的形而上学：什么时候可以将一些变量值集合在一起分为一个变量？所有人都同意，变量的潜在值必须相互排除。也就是说：如果v和v ∗是变量V的两个值，则V =V∧V= V ∗（在此，V = V是变量V占据值V，并且同样，v = v ∗是变量v对值v ∗的命题。

但是，还有其他问题需要将哪些值分组在一起到令牌变量中。

例如：变量的值必须同时关注吗？或者一个变量可以有多个涉及不同时间的值吗？假设帕特里夏于周一因服用过量吗啡而死亡；如果她没有收到吗啡，她就会在周二去世。然后，在思考帕特里夏的死亡时，我们可能会尝试使用几个不同的变量。我们可以使用一个变量来判断帕特里夏是否死亡。如果帕特里夏在周一或周二死亡，则该变量将取一个值；如果她在周一和周二仍然活着，则该变量将取另一个值。或者我们可以使用一个变量来表示帕特里夏的死亡时间。如果她在星期一去世，则该变量将采用一个值；如果她在星期二去世，则该变量将采用另一个值。或者，我们可以使用时间索引变量的集合，在某个时间范围 t 内，帕特里夏是否在时间 t 之前死亡。正如希区柯克（Hitchcock，2012）所说：问题是帕特里夏是否会在周一去世，而帕特里夏是否会在周二去世

对应于同一变量的相同值、同一变量的不同值或不同变量的值。 （2012年：90）

当然，这个问题的前提是我们必须在这些选项中做出选择。相反，您可能会认为所有这些变量都存在，并且每个变量都具有不同的影响关系。

当涉及到类型变量时，除了有关令牌变量本身的个性化条件的问题之外，还存在有关如何对令牌变量进行类型个性化的其他问题。这个问题没有太多讨论，但很自然地认为变量的类型个性化是从其值的类型个性化继承的。也就是说：当且仅当 X1 和 X2 具有相同数量的潜在值，并且每个值都具有相同类型时，X1 和 X2 属于相同类型。例如，标记变量“我的体重”和“奥巴马的体重”是同一类型，因为它们都具有相同类型的潜在值（1 公斤、2 公斤等）；另一方面，我的体重和奥巴马吃了多少磅芝麻菜不是同一类型，因为它们的潜在值不是同一类型。

3.2型号

变量之间的影响关系通常被编码在正式模型中。正如标记和类型之间的因果关系可以是确定性的或概率性的一样，变量之间的影响关系也可以是确定性的或概率性的。变量之间的确定性关系用结构方程模型表示；而变量之间的不确定关系可以用概率模型来表示（有时用带有随机误差的结构方程模型——参见因果模型的条目——或者通常用因果图与该图中出现的变量值的概率分布配对） ——参见概率因果关系条目。）

在确定性情况下，变量之间的影响关系可以编码在结构方程组中。为了便于说明，请再次考虑我们在上面第 1.2.1 节中用于说明早期抢占的神经元系统。正如我们在第 1.2.3 节中看到的，对于系统中的每个神经元，我们可以引入一个变量来确定该神经元是否在相关时间激发。一旦我们这样做了，下面的结构方程组就会描述这些变量之间的因果关系。

A :=B∧ØC

D :=C

E :=A∨D

在讨论这些方程代表什么样的关系以及如何使这样的方程组正确的形而上学问题之前，让我们首先关注这些方程在实践中如何使用。重要的是要认识到结构方程和普通方程之间存在差异。方程 D=C 是对称的。它可以等效地重写为 C=D。相反，结构方程 D:=C 是非对称的。它告诉我们变量D受到变量C的因果影响。而且这种因果影响形式不是对称的。为了强调这些方程不是对称的，使用“:=”，而不是“=”。

一些术语：给定一个结构方程组，出现在某个方程左侧的变量称为内生变量。仅出现在方程右侧的变量称为外生变量。该模型没有告诉我们任何关于如何确定外生变量值的信息；但它确实告诉我们内生变量的值如何由模型中其他变量的值因果决定。

在这种情况下，为外生变量赋值就足以告诉我们模型中每个内生变量的值。也就是说：如果你知道 B=C=1，那么你也就知道 A=0 和 D=E=1。一般来说情况不一定如此。例如，考虑以下方程组：

Y：=X+Z

X :=Y−Z

在这个结构方程组中，即使知道外生变量 Z=10，您也无法求解两个内生变量 X 和 Y 的值。原因是，在这个方程组中，存在一个影响循环：X影响Y，Y影响X。当存在这样的影响循环时，即使是确定性的方程组，加上外生变量的赋值，也无法确定所有的内生变量。 （请参阅关于向后因果关系的条目以及关于时间旅行的条目中关于因果循环的部分。）但是，如果我们排除像这样的影响循环，那么对外生变量的赋值将决定所有模型中的变量。同样，外生变量的任何概率分布也将导致内生变量的概率分布。

通常假设系统中的每个结构方程都是独立可破坏的。例如：至少在原则上，有某种方式可以破坏 C 对 D 的因果影响——某种方式使得结构方程 D:=C 不再成立——这使得结构方程 A 都成立:=B∧ØC 和 E:=A∨D 继续保持。并非所有破坏变量 C 和 D 之间因果关系的方法都会像这样。例如，假设我们删除了从神经元 c 发出的所有连接。这会扰乱C和D之间的因果关系，但也会扰乱C和A之间的因果关系；它将使得结构方程 A:=B∧ØC 不再成立。 （这个方程告诉我们，如果 C=1，则 A=0；但是，随着 c 和 a 之间的联系被切断，这不再是正确的。）结构方程组的这个属性——每个方程都可以在不影响模型中任何其他方程的情况下被破坏——称为模块化。 （对于这一要求的批评，请参见 Cartwright 2002；对于辩护，请参见 Hausman & Woodward 1999、2004。有关模块化的更多信息，请参见 Woodward 2003。）

如果方程组是模块化的，那么至少原则上可以破坏其中一个方程而不影响其他方程。例如，假设发生这种情况，并且我们破坏方程 A:=B∧ØC 而不影响任何其他方程。进一步假设我们这样做是为了确定 A 的值，或者确定 A 值的概率分布。然后，我们对变量 A 进行了干预。请注意，这种干预的概念是相对于方程组。某种破坏方程并直接在其左侧设置变量值的方法是否算作干预，因因果模型而异。一般来说，对内生变量 V（相对于某些模型）的干预是使 V 的结构方程（左侧有 V 的方程）不再成立的某种方式，即使所有其他结构方程模型中的方程继续成立，直接设置V的值，或者直接确定V值的概率分布。

给定一个确定性因果模型（结构方程组），正式表示对内生变量 V 的干预的方法很简单：删除左侧具有该变量的结构方程，并保留所有其他方程不变。您继续将 V 视为外生变量，并通过干预给出其值或概率分布。假设方程组是非循环的，您就可以像以前一样计算出模型中其他变量的值，或者模型中其他变量值的概率分布。

像这样的干预措施已被许多人用来为这里所谓的因果反事实条件句提供语义。正如这里所使用的术语，反事实因果关系的构成是它拥有固定因素，这些因素在因果上独立于其前因。它没有说明为了获得先行词必须有什么不同。也就是说：它没有提及前因的必要因果前兆。它固定所有不属于先行词因果下游的因素，并且只允许摆动位于先行词因果下游的自由因素。在结构方程系统中，这是通过对干预进行建模以实现前因的真实性来实现的。 （有关这种对反事实的“干预主义”处理的更多信息，请参阅 Galles & Pearl 1998；Briggs 2012；Huber 2013，以及反事实条目。）