两个事件独立，指一个发生不影响另一个的概率。条件独立则是在给定某变量后二者独立。区分二者很重要，因为很多看似相关的现象，在控制共同原因后就不再相关。
举例来说，冰淇淋销量与溺水人数正相关，但二者并非因果，共同原因是气温升高。控制气温后，两者近似条件独立。把相关当因果，会得出禁售冰淇淋减少溺水的荒谬结论。
推荐系统中也常见类似结构。用户点击某类内容与购买某类商品相关，可能只是因为用户群体相同。若模型把相关当因果，可能过度推荐，短期提升点击却损害长期体验，甚至引发反感。
判断独立性不能只看相关系数。相关系数为零不代表独立，只代表无线性关系，可能存在非线性依赖。要结合散点图与领域知识，必要时做条件分析，才能更准确地理解变量间关系。
做决策时多问一句：这个关系是否有共同原因，控制它之后是否还成立。这个简单的思维习惯，能帮你避开大量因混淆相关与因果导致的错误判断，尤其在数据丰富但因果稀缺的业务中。
