圖／沃草烙哲學
日常生活中，沒有人能完全避開「因果關係」這個概念。例如，當人問出「為什麼問題」（why question）多半想尋求的就是因果說明：為什麼會有潮汐？為什麼太陽會東升西落？為什麼普拿疼可以止痛？為什麼同花打不過full house？
這些問題不只是格式類似，它們都在為想要說明的現象尋求一個原因，一個因果上的說明。如果要給出正確的因果說明，我們得知道什麼是因果說明，換句話說，我們需要好的因果分析理論，用以分析事件之間的因果關係。
專業領域裡，因果關係的判斷也一樣重要。在醫學上，因果關係可以幫助我們判斷應該要採取怎麼樣的醫療行為：「如果我對病人施打抗生素，可以治療他的肺炎，因為肺炎源於細菌感染，而抗生素可以治療細菌感染。」在科學上，因果關係的判斷可以幫助我們預測世界：「如果氣壓下降，那表示即將下雨了，因為在低氣壓區，周圍空氣的流入會迫使空氣逐漸上升，遇到高空低溫時凝結成水滴，達到一定程度則落下成雨。」在法律上，因果關係可以幫助我們判斷責任歸屬：「基於駕駛闖紅燈而導致這次的事故，駕駛應該要為這次的意外負責。」
因果關係影響範圍廣闊，我們也不停地在使用這個概念，對許多人來說這不成問題，在日常生活中也沒遇到什麼困難。然而，哲學家發現，當我們試圖為因果關係尋求一套精確的理論時，卻總是遇到困難。
如此問題就來了，如果我們沒有辦法找到一套足夠好的因果理論，那我們平常到底都在說什麼？現在，不妨讓我們看看哲學家在因果關係的分析中，曾經做過哪些努力，以及這些成果為什麼還不夠好。或許，可以稍微讓人理解到，定義因果關係真的很不簡單。
傳統分析
讓我從一個最簡單的定義開始：
事件C是事件E的原因，當且僅當，（a）事件C發生在事件E之前；（b）C與E各自屬於某類的事件類型T1與T2，當每一次事件類型T1發生時，T2都會跟著發生。
傳統分析又被稱為「休姆式分析」（Humean analysis），英國哲學家休姆（David Hume）最早使用這樣的分析來說明，當我們一般在談論因果關係時，我們的意思就如同傳統分析所表達的那樣。
傳統分析捕捉到了因果關係的一些直覺面向，比方說，在時間順序上，原因會發生在結果之前。此外，原因跟結果之間有一個密切的連結，這個連結使得結果會伴隨著原因而發生。儘管這些直覺面向適當地被傳統分析捕捉，這樣的分析依然會面對困難。想像這個例子：
張三很喜歡販賣機飲料，設想他每次買販賣機飲料時，都會在投完幣並選擇飲料後大喊「南無阿彌陀佛！」，飲料都會跟著落下。
根據傳統分析，我們好像必須承認，在張三買飲料的那些場合裡，張三大喊「南無阿彌陀佛！」是他買的飲料落下的原因：他的大喊先於飲料跑出來，而且每次他大喊完，飲料都會跑出來。大概沒有人會同意這個判斷正確。然而，這樣的判斷完全符合傳統分析的要求。
有一些支持傳統分析的人試圖調整內容來避免這樣的問題。然而，這些調整時常會讓定義和討論變得十分瑣碎，我建議我們就此打住，參考另外一種類型的因果理論。
機率分析
事件C是事件E的原因，當且僅當，C發生而且E發生，而且C的發生會提高E發生的機率。
關於從機率觀點出發的因果關係分析，其代表人物可以回溯到美國哲學家蘇佩斯（Patrick Suppes），他在1970出版的「因果的機率理論」（A Probabilistic Theory of Causality）對機率分析有著重要的影響。
機率分析看起來可以避免前面的販賣機案例，因為張三大喊「南無阿彌陀佛！」並不會增加飲料落下的機率。機率分析不會得出張三大喊「南無阿彌陀佛！」是飲料落下的原因。除此之外，此分析也同樣捕捉到兩個重要直覺：原因先於結果、原因跟結果有密切關聯（原因的出現會使結果出現的機率增加）。
然而我們想問：我們要的因果關係是這種機率性的關係嗎？在這種理解底下，只要前面的事件可以增進後面事件發生的機率，哪怕是增進一點點，只要後面的事件出現，我們都可以說前面的事件是原因，這看起來似乎有點違反直覺。
考慮這個例子：假設李四買了一張樂透彩券，然後他中獎了。根據機率分析，我們得說：李四中樂透的原因，是因為他買了一張樂透彩券，他買樂透彩券提高了他中獎的機率。然而，這樣的判斷是適當的嗎？旁邊槓龜的王五聽到了以後可能會很不以為然地說：「他買樂透彩券是他中獎的原因？我也買了，怎麼就沒中獎？」
機率分析或許可以透過設定提高「多少」機率作為門檻，來避免前述的困難。比方說，C的發生一定要提高E發生的機率達到80%，才算是原因。然而，不管你怎麼選數字，給出的門檻都是武斷的，這種武斷性對許多哲學家來說很不舒服。所以，現在也暫時讓我們放下機率分析，看看下一種因果理論。
反事實條件句分析
事件C是事件E的原因，當且僅當，（1）假若C發生，則E會發生；（2）假若C沒有發生，則E不會發生。
用反事實條件句分析因果關係的著名哲學家中，最有名的大概非美國哲學家路易斯（David Lewis）莫屬。路易斯與史托內克（Robert Stalnaker）對於反事實條件句的語意學（the semantic of counterfactual conditional）有著極其豐碩的研究成果，路易斯也將他的研究套用進因果關係的討論中。
在使用反事實條件句分析判斷因果關係時，我們需要考量的是C與E之間是否具有反事實依賴關係（counterfactual dependence）。甚麼意思？簡單來說，我們先不去考量事實是什麼，我們去設想，假若C發生了，E會不會發生？假若C沒發生，E會不會不發生？如果答案是肯定的，那麼我們可以說C與E具有反事實依賴關係，而根據反事實條件句分析，具有反事實依賴關係的兩個事件具有因果關係。
反事實依賴關係可以避免前面的樂透案例。雖然假若李四不買樂透彩券，他就不會中樂透。但假若他買樂透彩券，這並不會因此得出他會中樂透。在反事實條件句分析中，有一個條件句沒有被滿足，李四買樂透彩券並非中樂透的原因。同樣的，此分析也不會得出張三大喊「南無阿彌陀佛！」是飲料掉出來的原因，假若張三沒有大喊這句話，他的飲料還是會掉出來，因此不滿足反事實條件句分析的條件。
反事實條件句分析看起來滿有說服力，可惜，這依然不能成功的捕捉因果關係，因為它面臨另一個困難的反例，設想以下案例：
殺手一號準備要暗殺X博士，組織設計了保險機制，如果一號到時候心軟了沒有開槍，保險機制啟動，殺手二號會出手殺死X博士，以確保最終X博士一定會死亡。最後，一號確實執行任務，殺死博士。
在這個案例中，如果我們問「什麼是博士死亡的原因？」一個顯而易見的答案是「殺手一號的暗殺是博士死亡的原因！」然而，反事實條件句分析卻無法給我們這個答案。反事實條件句分析會說「殺手一號的暗殺不是博士死亡的原因。」理由在於，假若殺手一號沒出手，博士還是會死亡，因為殺手二號會出手。換言之，殺手一號的行為，與博士是否死亡之間沒有反事實依賴關係，（2）不成立。這結果顯然不符合我們的直覺，我們大概都會同意是殺手一號殺死博士的。因此，這種版本的反事實條件句分析看來也還有一段路要走。
從目前的學界現況來看，傳統分析已經被多數哲學家給放棄，而機率分析與反事實條件句分析則還有不少支持者。如果仔細觀察後面這兩種因果分析，你會發現，其實反事實條件句分析可以被看做是機率分析的一種特殊案例。如果從機率分析的角度來看，反事實條件句分析中所謂的反事實依賴關係，其實就是在說C的發生，會使得E發生的機率提高到100%。
基於這樣的相似性，有哲學家發展了一套被稱為「因果模型分析」（Causal Model Analysis）的分析理論，此種分析方法可以同時應用在機率分析與反事實條件句分析上，協助我們判斷甚麼叫做因果關係，至於什麼叫做因果模型分析，恐怕就不是這篇文章能夠說清楚的了，如果有興趣的讀者，不妨閱讀參考資料中希區考克（Christopher Hitchcock）與佩爾（Judea Pearl）的文章。
小結
這篇文章介紹了三種類型的因果關係理論，文章中所提到的分析都只是各自類型中最粗糙的版本，各自理論的支持者可能會透過不同的方法修改理論，避免難題。如前所述，傳統分析目前已經幾乎被放棄了，而另外兩種因果分析則還是一直有所進展。
比方說，因果模型分析可以在機率分析與反事實條件句分析的基礎下，說明在滿足哪些前提時，機率分析或者反事實條件句分析可以做為因果關係的充分必要條件。在因果關係的討論中，因果模型分析或許是目前最蓬勃發展的一套分析方法。
不論如何，到目前為止，哲學家依然在尋找一個能令所有人滿意的因果分析理論。我們可以看到，要精確描述一個在日常生活中這麼常見，在各領域都非常重要的概念，是如此困難。大家也不妨思考看看，對你來說，一個精確描述因果關係的理論應該如何被理解？有沒有可能，因果關係原則上沒有一個統一的理論？脈絡的不同是否適用不同的因果理論（比方說，機率分析在醫學領域與大氣科學領域似乎比較適合；反事實條件句分析似乎在物理學領域與法律領域較為適用）？又或者，如同休姆所想的，因果關係不是實 際存在的性質，只是我們心理投射到這個世界的假象？
本文原於 2017 年 11 月 06 日刊載在鳴人堂，作者為張智皓。