单一因果关系因果力判断研究述评
报告中利用因果关系和相关性分析的技巧进行推断和解读
报告中利用因果关系和相关性分析的技巧进行推断和解读引言：在各个领域的报告与研究中，因果关系和相关性分析是非常重要的工具。
通过对数据进行分析，可以揭示因果关系和相关性，帮助我们推断和解读结果。
然而，在利用这些技巧进行推断和解读时，也需要注意一些技巧和陷阱。
本文将会围绕这一主题，从不同角度讨论因果关系和相关性分析的技巧，并探讨其在报告中的应用。
第一部分：因果关系分析一、确定因果关系的方法在报告中，我们常常需要确定因果关系。
然而，确定因果关系并非易事，需要谨慎分析数据和应用科学方法。
本节将介绍几种确定因果关系的方法，如随机对照实验和因果推断模型。
二、利用因果关系进行解读一旦确定了因果关系，我们就可以利用它来解读数据并提出合理的结论。
这一部分将讨论如何利用因果关系进行解读，以及可能的误解和注意事项。
第二部分：相关性分析一、相关性分析的基本概念相关性分析是一种常用的统计方法，用于研究变量之间的关联程度。
在报告中，相关性分析可以帮助我们理解变量之间的关系，并提供参考依据。
本节将介绍相关性分析的基本概念和常用方法。
二、相关性分析的局限性虽然相关性分析在解读数据方面非常有用，但也存在一些局限性。
本节将讨论相关性分析的局限性，并提出如何避免误解和不当推断的建议。
第三部分：综合因果关系和相关性分析一、综合因果关系和相关性分析的优势在实际应用中，综合因果关系和相关性分析可以提供更全面的结果。
本节将介绍综合因果关系和相关性分析的优势，并阐述其在推断和解读中的应用。
二、案例分析：利用因果关系和相关性分析解读市场营销数据以市场营销数据为例，本节将通过实际案例展示如何利用因果关系和相关性分析进行推断和解读。
我们将探讨不同的分析方法，并解释其应用的效果和局限性。
结论：在报告中利用因果关系和相关性分析进行推断和解读是一项关键工作。
通过恰当选择和应用分析方法，我们可以更准确地理解数据，并提供更可靠的结论。
然而，我们也必须注意方法的局限性和可能的误解，以避免得出不准确或不完整的结论。
因果关系鉴定
因果关系鉴定摘要：因果关系鉴定是一项重要的研究领域，涉及到各种领域，如科学、医学、法律等。
在许多情况下，确定事件间的因果关系是非常关键的，它有助于了解事件产生的原因，预测可能的效果，以及作为决策制定的依据。
在本文中，将介绍因果关系鉴定的定义、原则和方法，并探讨其应用领域和意义。
引言：人们在面对事件和问题时，常常希望能够准确地找出原因和结果之间的因果关系。
因果关系鉴定是一种科学的分析方法，通过收集数据、运用统计学和逻辑学原则，确定事件之间可能的因果关系。
因果关系鉴定的结果对于科学研究、医学诊断、法律判断等领域具有重要意义。
一、定义：因果关系鉴定是指通过对事件和条件的分析，确定其中可能存在的因果关系的过程。
因果关系是指一个事件或条件是另一个事件或条件所引起或影响的结果。
因果关系鉴定旨在揭示事件间的因果联系，并找出背后的原因和结果。
二、原则：在进行因果关系鉴定时，需要遵循以下原则：1. 时序性原则：因果关系必须按照时间顺序发生，即因果关系的原因必须先于结果发生。
2. 联系性原则：因果关系双方之间需要存在可观察到的联系，即存在一种因果联系的表现形式。
3. 必然性原则：确定因果关系时，需要排除其他可能的解释，以确保因果联系的确定性。
4. 一致性原则：多个独立观察者对于同一事件或条件之间的因果关系应该得出相似的结论。
三、方法：因果关系鉴定的方法取决于具体的领域和问题，下面介绍一些常用的方法：1. 实验法：通过对实验组和对照组进行比较，观察某个影响因素对结果的影响程度。
2. 统计法：通过对数据进行统计分析，确定事件之间的相关性和因果关系。
3. 推理法：通过逻辑推理，从已知的事件和条件中推断可能的因果关系。
4. 专家评估法：依靠领域内的专家知识和经验，评估事件间的因果关系。
四、应用领域和意义：因果关系鉴定在各个领域都有重要的应用和意义。
以下是一些常见的应用领域：1. 科学研究：在科学研究中，因果关系鉴定可以帮助科学家找出事件之间的因果关系，促进科学理论的建立和发展。
因果推断-原理与方法-概述说明以及解释
因果推断-原理与方法-概述说明以及解释1.引言1.1 概述概述因果推断是科学研究中一种重要的推理方法，用于确定事件或事物之间的因果关系。
通过观察和分析相关的现象和数据，我们可以试图找出事件之间的因果关系，并从中得出相应的结论。
因果推断广泛应用于各个学科领域，如生物学、经济学、社会学等，对于我们理解和解释现实世界的各种现象和问题有着重要意义。
在因果推断的过程中，我们通常需要收集大量的数据，并进行合理的分析和处理。
通过对数据的观察和实证研究，我们可以识别出变量之间的关联性，并尝试去解释或预测某个因果关系的可能性。
因果推断的核心思想在于寻找因果关系的可信度和有效性，同时排除其他潜在的影响因素，以确保我们得出的结论具有科学性和可靠性。
在进行因果推断时，我们需要注意以下几个方面。
首先，我们要明确研究的目的和问题，确保将注意力集中在感兴趣的现象和事件上。
其次，我们要选择合适的样本和数据收集方式，确保数据的质量和可比性。
此外，我们还需要运用适当的统计方法和模型，进行数据分析和推断。
最后，我们要进行合理的解释和判断，严谨地评估因果关系的可信度和影响程度。
总之，因果推断是一种重要的科学研究方法，它可以帮助我们理解和解释现实世界中的各种现象和问题。
通过对相关现象和数据的观察和分析，我们可以找出事件之间的因果关系，并通过合理的推断得出科学的结论。
然而，在进行因果推断时，我们需要注意数据质量、统计方法的选择以及合理的解释和判断，以确保我们得出的结论具有科学性和可靠性。
未来，随着科技的进步和方法的创新，因果推断在科学研究中将扮演更加重要的角色，为我们提供更深入、准确的认识和理解。
1.2 文章结构文章结构部分的内容应该包括对整个文章的组织和流程进行介绍。
主要包括以下几个方面:首先，可以简要介绍文章的总体组织结构。
说明文章分为引言、正文和结论三个部分，并提及各个部分的目的和内容。
然后，详细描述引言部分的作用和内容。
引言部分可以作为文章的开场，引导读者对于因果推断的概念和原理有一个整体的了解。
写作方法用因果分析论据，让议论文更具说服力
写作方法用因果分析论据，让议论文更具说服力在高考议论文写作中，学生常常会犯议论不透彻，“以叙代议，例而不议”的问题，就是对所举事例缺少具体的分析，论点仍然是论点，材料仍然是材料，油水分离。
由于缺少必要的分析论证，文章常常没有说服力。
那么对于要如何分析呢？今天我们介绍一种分析方法——因果分析法。
一、四种常见的因果关系1、一因一果【例如】月蚀产生的唯一原因就是地球运行于太阳和月亮之间并且三者在同一条直线上；而地球运行于太阳与月亮之间并且三者在同一条直线上的唯一结果就是月蚀。
⑵一因多果【例如】生态平衡遭到破坏，会造成多种结果，有人类受到损害，有动物受到损害，有植物受到损害，有气候异常，有水土流失等。
⑶同因异果【例如】这是指同一原因在不同的时间，地点和条件下，会产生不同的甚至相反的结果，例如，同是下雨，如果在天旱时对农作物有益，引出好的结果，如果在涝灾时则对作物有害，引出坏的结果。
⑷多因一果【例如】风调雨顺，农业政策正确，农民生产积极性高，引进新的农业科学技术等多种原因相互联系而产生同一结果，即农业大丰收。
⑸异因同果。
例如大量的热能既可以由原子核的裂变所产生，又可以由原子核聚变所引起，裂变和聚变是相互对立的，但都产生同一种结果。
（5）多因多果【例如】一个工厂经过整顿领导班子、改革体制、加强管理，进行政治思想教育和科学技术教育，使该厂发生了一系列的变化；领导班子团结了，职工生产积极性高了，职工业务水平提高了，职工福利待遇也改善了，如此等等。
在因果分析中，要考虑到以上这些复杂的情况。
在多种原因，多种结果中，还要进一步分析这些原因、结果之间的关系和性质。
比如，对于原因，要分清主要原因和次要原因，主观原因和客观原因（内因和外因），直接原因和间接原因（原因的原因），必然原因和偶然原因等等。
对于结果，要分清主要结果和次要结果直接结果和间接结果（结果的结果），暂时结果和长远结果，好的结果和坏的结果。
如此等等。
二、探求因果关系的常见方法探求事物之间的因果关系有四种常用方法：求同法，求异法，共变法和剩余法。
[因果关系]因果关系研究
![[因果关系]因果关系研究](https://img.taocdn.com/s3/m/d0f48ed616fc700aba68fca6.png)
因果关系研究摘要：因果关系是研究事物普遍联系和发展的重要方面，研究因果关系的意义在于进一步认知事物的本质和发展方向，更好地改造和利用自然。
因果关系不仅是一个抽象的理论概念，也具有浓厚的现实色彩。
因果关系并非孤立、单一、单向，而具有循环性和关联性，并与事物的必然性、偶然性、可能性和现实性有着密切的关系。
关键词：因果关系；必然性；偶然性；现实性；可能性1 因果的意义一切事物和现象都处在普遍联系之中，一般而言，每一种现象均是由另一种现象引起的，同时也引起与之相关的另外一些现象。
在这种联系中，引起它的现象被称为该现象的原因，该现象被称为引起它的现象的结果。
与此同时，对于被该现象引起的其他现象，该现象又被称为原因，被引起的现象称为该现象的结果。
恩格斯指出：“由于人的活动，就建立了因果的基础。
”早期希腊哲学家提出了“数”、“逻各斯”、“理念”等概念，试图找出对所有事物通用的标准和概念。
亚里士多德的四因说（质料因、形式因、动力因和目的因）也是西方早期哲学对因果关系的分析和界定。
斯宾诺莎和发法国唯物主义者们建立了机械唯物主义因果关和决定论。
认为任何事情都是无限的因果链条上的一个部分，原因是主动者，结果是被动者，原因是决定者，结果是被决定者。
中国早期佛教理论中也有对因果关系的相关解释。
《涅经?遗教品一》中提出：“善恶之报，如影随形，三世因果，循环不失。
”因果报应、生死轮回是宗教中最为原始朴素的因果观念。
在因果论体系并未完善且系统地建立之前，因果关系表现为各种有着时间顺序性和空间顺序性的直观现象，通过盖然偏向性体现，并作为人们改造和利用自然的理论基础。
早期人们缺乏科学的研究方法和指导思想，并不能正确判断事物之间抽象的因果关系，判断事物之间的因果联系多根据事物出现的时间和空间顺序关系，如同在一块绿色的背景板上放置一条中段被涂成背景板同色的蛇，观察者只看见蛇头蛇尾时间空间上的相关运动，却不能发现中间隐藏着的联系。
康德关于因果关系的观点是先验主义，认为人的心智形成和发展具有自主性，或是经验伴随时间的变化，并将因果关系抽象化，放置于一个纯理性的环境中进行研究。
因果关系 研究方法
因果关系研究方法引言：因果关系研究是科学研究中的重要内容，旨在探究一种事件或变量是否能够引起另一种事件或变量的产生或变化。
因果关系研究方法的正确应用和分析可以为我们提供有效的决策依据和科学的结论。
本文将介绍因果关系研究的一般步骤和常用方法。
一、问题明确因果关系研究的首要任务是明确研究的问题。
研究者需要明确感兴趣的因果关系是什么，例如“X是否会导致Y的发生”、“A是否会对B产生影响”。
明确问题有助于确定研究的目标和研究设计。
二、相关文献综述在进行因果关系研究之前，必须对相关领域的文献进行全面综述。
通过查阅已有的研究成果，可以了解已有的研究结果和方法，从而避免重复研究，并为自己的研究提供理论基础。
三、研究设计研究设计是因果关系研究的核心部分。
常见的研究设计包括实验设计、观察性研究和模拟实验等。
1. 实验设计：实验是因果关系研究中最常用的设计方法。
研究者通过控制自变量（即可能导致因果关系的变量）和观察因变量（即被解释的变量），来测试因果关系的存在。
实验设计需要严格的随机分组和对照组设置，以确保研究结果的可靠性。
2. 观察性研究：观察性研究是在自然环境中观察和收集数据，而不进行任何干预。
研究者通过观察因变量和潜在的影响因素之间的关系，来推断因果关系的存在。
观察性研究通常采用调查问卷、访谈和数据分析等方法。
3. 模拟实验：模拟实验是基于计算机模型或统计模型进行的实验。
研究者通过对模型进行操作和调整，来模拟不同的因果关系。
模拟实验可以帮助研究者理清因果链条，并预测不同因果关系的结果。
四、数据收集与分析根据研究设计，研究者需要收集相关的数据，并进行统计分析。
数据收集可以通过实验记录、调查问卷、观察记录等方式进行。
统计分析可以采用描述统计、相关分析、回归分析等方法，以验证因果关系的存在。
五、结果解释与讨论在分析完成后，研究者需要对结果进行解释和讨论。
根据研究结果，研究者可以判断因果关系的强度和方向，并讨论其可能的机制和影响因素。
因果的总结
因果的总结引言因果关系是一个广泛存在于我们生活和思考中的概念。
它描述了一个事件或行为引起另一个事件或行为的关联关系。
因果关系的理解对于我们分析问题、评估结果和决策选择都至关重要。
本文将对因果关系进行总结，并探讨其在各个领域应用的重要性。
因果关系的定义因果关系是指一个事件（即原因）导致了另一个事件（即结果）发生的关系。
原因和结果之间的联系可以是直接的或间接的，可以是单向的或双向的。
因果关系不仅仅是一个简单的因果关联，而是涉及到原因和结果之间的因果机制。
因果关系的特点1.必然性：在因果关系中，原因发生必然导致结果发生。
原因是结果发生的充分条件。
2.顺序性：原因在时间上通常先于结果发生。
3.稳定性：同样的原因通常导致同样的结果，即因果关系具有一定的稳定性。
因果关系的应用科学研究领域因果关系在科学研究中扮演着重要的角色。
科学家通过研究和观察，试图揭示现象背后的因果机制。
通过建立因果关系，科学家可以推断出一种结果是由哪些原因所导致，从而更好地理解和解释各种自然现象。
经济和商业领域在经济和商业领域中，因果关系的理解对于制定策略和决策具有重要意义。
通过分析不同因素对市场的影响，企业可以了解到哪些因素是导致销售增长或下降的关键因素。
这样的分析可以帮助企业在市场竞争中保持领先地位并制定合适的营销策略。
社会科学领域在社会科学领域，因果关系的研究可以帮助我们理解人类行为和社会现象。
通过研究不同因素对人们行为的影响，我们可以更好地理解人类行为是如何受到环境、文化和社会因素的影响的。
这对于社会政策的制定和社会问题的解决都具有重要意义。
健康领域在健康领域，因果关系的理解对于疾病预防和治疗至关重要。
通过研究不同因素对健康的影响，医生和研究人员可以确定哪些因素是导致特定疾病发生的关键因素。
这样的研究可以帮助我们制定健康政策和推动疾病预防措施的实施。
结论因果关系是一个普遍存在于我们生活和思考中的重要概念。
它在科学、经济、社会科学和健康领域都有着广泛的应用。
科学研究中的因果关系分析技巧
科学研究中的因果关系分析技巧在科学研究中，确定因果关系是非常重要的。
因果关系的确定可以帮助我们理解事件之间的关联，并为解决问题提供指导。
然而，因果关系的确定并不容易，需要运用一定的分析技巧。
本文将探讨科学研究中的因果关系分析技巧，帮助读者更好地理解和运用这些技巧。
一、随机对照实验设计随机对照实验是确定因果关系的黄金标准。
该实验设计中，研究者会对待研究对象进行随机分组，将其分为实验组和对照组。
实验组接受特定的处理或干预，而对照组则不接受任何干预。
通过对比实验组和对照组的结果，可以判断处理或干预对结果产生的影响是否为因果关系。
二、相关性分析相关性分析是一种常用的探索性数据分析方法，用来探究变量之间的关联程度。
相关性分析无法确定因果关系，但可以提供关联程度的指示。
当两个变量呈现强相关性时，这意味着它们之间存在某种关联，可能是因果关系。
然而，需要注意的是，相关性并不代表因果关系，还需要进一步的研究和论证。
三、因果推断在进行因果推断时，研究者需要运用逻辑和推理，从相关性中提取因果关系。
因果推断是一种基于概念或理论框架的分析方法，它依托于领域专家的知识和经验。
通过观察相关性和分析可能存在的机制，研究者可以推断出可能的因果关系。
然而，因果推断是一种推测性的方法，需要更多的实验证据来加以验证。
四、实证研究实证研究是通过采用科学方法和统计分析来验证因果关系的研究方法。
实证研究依赖于数据的收集和分析，通过收集大量的数据，运用统计学方法进行分析，从数据中得出结论。
实证研究可以提供更加客观、可验证的因果关系结果，但需要更多的资源和时间来完成。
在科学研究中，因果关系的分析是一项关键任务。
虽然确定因果关系并不容易，但通过运用一些有效的技巧和方法，我们可以更好地理解事件之间的关系，并为解决实际问题提供指导。
随机对照实验设计、相关性分析、因果推断和实证研究是常用来分析因果关系的方法，可以根据研究的具体情况选择合适的方法。
通过不断深入研究和实践，我们可以提高因果关系分析的准确性和可靠性，为科学研究的进展做出贡献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
心理科学进展 2004，12（1）：18~27Advances in Psychological Science单一因果关系因果力判断研究述评*王墨耘（中国科学院心理研究所，北京 00101）摘要简单因果归纳包括自下而上的材料驱动的加工和自上而下的因果知识驱动加工两个方面。
简单因果归纳的多数理论模型强调自下而上的材料驱动的加工，这些模型又存在联想解释与计算解释的基本区分。
最后，概述了单一因果关系因果力判断研究的基本问题：因果力判断的主要影响因素和过程机制、研究的方法问题。
关键词单一因果关系，因果力判断，联想，计算，因果知识。
分类号B8421 简单因果归纳的基本问题和维度人类认知的一个基本问题是因果归纳，即人们是如何发现和获得因果关系的？因果归纳的一个基本方面是，人们对单一因果关系的因果力判断。
单一因果关系是一种可用二分变量表示的关系，原因和结果都分为有无两个水平。
因果力判断是对原因产生结果的能力或者预防结果的能力的估计判断。
对单一因果关系因果力判断研究存在许多理论解释和问题争议。
人们的因果归纳也遵循一般认知加工的自下而上的材料驱动的加工与自上而下的概念驱动的加工维度。
因果归纳中的自下而上的材料驱动的加工是指，人们主要凭借加工自下而上的经验材料来获得因果关系。
多数因果归纳理论都强调自下而上的材料驱动的加工，忽视自上而下的因果知识驱动的加工。
如因果学习的联想理论(associative theories)和计算理论(computational theories)。
这些理论一般强调，因果归纳对特殊领域知识的独立性，和具有跨领域的普遍性。
而因果归纳中的自上而下的概念驱动的加工是指，人们凭借先验的或者后天经验习得的抽象因果知识，来指导获得因果关系。
因果模型理论(Causal Model Theory)[1]和因果机制理论(Causal Mechanism Theory)[2]强调自上而下的因果知识驱动的加工。
相对而言，这些理论强调因果归纳对特殊领域知识的依赖性。
2 强调自下而上的材料驱动的加工模型2.1 因果学习的联想理论联想理论认为因果学习是基于事件间的联想形成。
因果学习的联想理论是以经验主义哲学家休谟的联想因果观为哲学基础的，认为人们的因果印象是基于因果事件的时空相邻依从收稿日期：2003-10-10* 国家自然科学基金委员会基金资助(30270466)、中国科技部基金资助(G1998030508)和中国科学院基金资助（KJ952-J1-654）。
通讯作者：王墨耘，E-mail: wangmy@第12卷第1期单一因果关系因果力判断研究述评 -19-性而形成的联想。
事件间的联想随事件的相邻发生而加强，随事件的独立发生而削弱。
联想强度是随逐渐尝试学习而不断被更新重塑。
联想理论认为，人的因果力判断是以因果事件间的联想强度为基础的，联想学习不保持对先前事件的记忆。
所以，联想解释一般是基于联结主义的记忆建构性假设。
主要的联想模型有Rescorla-Wagner模型[4]和比较器模型（Comparator Model）[5]。
最有代表性的联想学习模型是Rescorla-Wagner模型，该模型最初是用来解释条件作用中的阻断和线索竞争的。
该模型认为，多个刺激线索竞争与无条件刺激的有限联想强度，如一个刺激线索与无条件刺激的联想强度增加，则别的刺激线索与无条件刺激的联想强度会相应地减少。
Rescorla-Wagner模型用来说明条件刺激表征（CS）和无条件刺激表征（US）的联想强度的形成变化机制。
这种机制用以下两个公式来描述：(1)∆V CS = αCS ⋅βUS⋅ (λ - ΣV).(2)V CS(n+1) = V CS(n) + V CS(n)在公式（1）中，∆V CS表示每次尝试学习后的条件刺激的联想强度的更新变化，αCS是反映条件刺激突出性的学习程度参数，βUS是反映无条件刺激突出性的学习程度参数。
这两个参数的变化范围在0至1之间。
λ表示无条件刺激所能支持的最大联想强度，最大值为1，在无条件刺激出现时为1，在无条件刺激缺乏时为0。
ΣV表示经过若干次尝试后形成的当前联想强度的总和（如条件刺激为多个，就是各个条件刺激与无条件刺激的联想强度的总和）。
λ和ΣV的差异随学习增加而减少，导致∆V CS逐渐下降，最后达到渐进值0。
用心理学的术语讲，学习即联想强度的变化依赖于对无条件刺激的出现与否的期待程度。
公式（2）说明，每次尝试后，一个条件刺激的联想强度等于前一次的联想强度V CS(n)加上第n+1次尝试产生的联想变化V CS(n)。
这种差异减少机制类似于认知联结主义网络模型中delta规则。
将上述模型应用到人的因果学习，用原因（cause）代替条件刺激（CS），用效果（effect）代替无条件刺激（US），公式（2）可改写为下面的公式[6]。
∆V C = αC ⋅βE⋅ (λ - ΣV). （3）公式中的∆V C表示每次尝试所引起的因果联想强度的更新变化量，αC 表示反映原因突出性的学习程度参数，βE表示反映结果突出性的学习参数，λ表示最大联想强度，ΣV表示当前联想强度的总和。
联想学习主要适合于逐渐尝试学习和认知负荷大的条件，计算要求比较简单；但是联想强度是逐渐更新的，缺乏对过去事件的记忆功能，因而不适合于要求总和计算的信息条件。
Rescorla-Wagner模型能够解释许多人类因果学习现象，如阻断（blocking）、条件抑制(conditioned inhibition)、学习的获得函数曲线（因果学习曲线具有联想强度变化先快后慢的负加速曲线，最后达到渐近线的稳定水平）、近因效应（recency effects，最近的信息对学习-20- 心理科学进展 2004年有更大的影响）、样本大小效应（大的样本使因果判断更准确）和相依性效应（contingency effects，因果判断在渐近线稳定时是与协变系数∆P相符合的）等现象[6]。
然而，并不是所有的尝试学习的实验结果都符合Rescorla-Wagner模型。
首先，Denis 和Ahn [7]实验发现与近因效应相反的首因效应，即初始的尝试对因果判断有更大的影响。
被试根据初始信息先形成确定的因果假设，由于肯定性偏差，被试随后更多注重能证实与初始假设相一致的信息，而不是相反的信息。
其次，[8]并不是所有的尝试学习都能观察到学习曲线。
第三，Catena等[8]实验发现，被试的协变估计受因果判断次数的影响，判断次数少的估计要比判断次数多的估计要高，并且更符合实际协变值。
这是联想解释难以解释的。
根据联想解释，协变估计应不受判断次数的影响，而只受联想强度的影响，而联想强度应与判断次数无关。
第四，Rescorla-Wagner模型难以解释在协变值∆P固定不变时，被试的因果强度估计随结果概率P(E)增加而增加的系统偏差[9]。
而根据Rescorla-Wagner模型，此时被试的因果强度估计应与∆P一致而保持不变。
最后，联想模型一般都忽视自上而下的因果知识在因果归纳中作用，认为因果判断只是以联想为基础，因而不能解释基于因果知识而对先前因果判断的重新评价现象。
2.2 因果学习的计算理论因果学习的计算理论强调测试判断阶段中的信息加工，假设能综合记忆学习阶段的事件，具有大的记忆能力，并能对记忆信息进行某种统计计算而做出因果判断。
因此，计算模型一般都假设：因果印象是基于对事件的记录保持，强调记忆的记录保持性而非建构性。
信息集中呈现的情况特别有利于使用规则进行统计计算。
计算理论主要有概率对比模型（Probabilistic Contrast Model），效力PC理论(the Power Probabilistic Contrast Theory)和信念修正模型(Belief Revision Model)。
其中概率对比模型和效力PC理论又是因果学习的标准理论，认为人们的因果判断是符合一定的理论标准的。
2.2.1 概率对比模型概率对比模型[10]认为，人们通过比较原因出现时结果出现的条件概率与原因没有出现时结果出现的条件概率来估计因果强度；对因果联系强度的估计是基于对因果之间的协变估计，在大小顺序上符合协变值∆P 的变化方向。
因此，概率对比模型是一种规则计算理论。
在单个原因的情况（如图1所示）下，这种比较可用公式（4）表示。
有结果无结果有原因 A B无原因 C D图1 原因有无与结果有无的组合，A、B、C和D表示四格频次∆P = P(E|C) - P(E|∼C) （4）第12卷第1期单一因果关系因果力判断研究述评 -21-P(E|C)表示原因出现时结果出现的条件概率，用A/（A+B）来估计，P(E|∼C)表示原因没有出现时结果出现的条件概率，即结果基率，用C/(C+D)来估计。
∆P表示二者之差。
∆P 大于零表示具有产生效果，∆P小于零表示具有预防效果。
针对一个结果多个原因情况的归纳任务，Cheng和Novick[10]提出概率对比模型来描述人们的因果归纳。
上面的单个原因情况只是一种特殊情况。
概率对比模型适用于可以用二分变量表达的事件，并假设识别原因的初始标准是原因先于结果。
该模型假设，人们是以别的可能原因保持恒定为基础来计算目标原因的协变值。
保持恒定的别的可能原因的事件集就是焦集（focal set），人们以此为基础来计算目标原因的协变值。
因此人们对目标原因的协变估计是有条件的协变估计。
焦集的概念可以解释人们对事件的原因和促进条件的区分。
促进条件就是保持恒定的可能原因构成的焦集，而原因是直接导致效果有无的变化因素。
例如，烟头引起森林失火，氧气的存在是一个恒常的背景因素，是失火的促进条件，是分析失火的焦集，而烟头的出现是失火发生的原因。
促进条件和原因是可以相互转化的。
如在隔绝氧气的化学实验室里，氧气的泄漏可能是失火的原因，而不再是促进条件。
对目标原因C的协变值∆P的计算是以保持替代原因A的恒定不变为前提基础的。
下面是概率对比模型的一般形式：∆P = P(E|C.A ) – P(E|~C.A) （5）概率对比模型能解释向前阻断、向后阻断、向前条件抑制和先后条件抑制等线索竞争（cue competition）现象。
概率对比模型是一种协变模型，而协变相关并不必然意味着因果关系。
许多事物之间存在稳定的先后协变关系，但却不是因果关系。
例如，公鸡报晓与天亮之间存在稳定的先后协变关系，但不是因果关系，公鸡鸣叫报晓并不能引起天亮。
此外，概率对比模型难以解释，在协变值P固定不变时，被试的因果强度估计随结果概率P(E)增加而增加的系统偏差[9]。
而根据概率对比模型，此时被试的因果强度估计应保持不变。
Anderson和Sheu[11] (1995)提出权重的P模型，认为人们对概率对比模型中两部分条件概率的权重可以是不同的，用公式表示：∆P = w1P(E|C) – w2P(E|∼C) （6）该模型比标准的概率对比模型具有更大的灵活性。