![为什么? - [美] 查尔斯·蒂利](https://static.book345.com/covers/s/9787553517971.jpg)
一本不一样的社科书！
人为什么需要理由？
顶尖社会学者对日常生活的有力透视
“21世纪社会学之父”查尔斯•蒂利写就的优秀通俗读物
▷编辑推荐◁
顶尖社会学者对日常生活的有力透视
一部洞察幽微、机智轻快的大家小书
作者查尔斯是20世纪下半叶和21世纪初世界最杰出的社会科学家之一、“21世纪社会学之父”、“美国最多产、最有趣的社会学家”
一本不一样的社科书！没有社科文本通常的呆板沉闷气味，充满了丰富的联想，机智的比喻和明快的笔触，给读者带来阅读的享受和想象的空间
▷内容简介◁
这是一本关于我们所给定的理由以及这些理由如何给定的书。它考察了我们在日常生活中给出的理由如何取决于社会关系，并反过来构建社会关系。本书以简易平实的风格探讨了人们如何通过不同的理由来确认、建立、协商、修复或终止与他人的关系。
蒂利将人们所给出的理由分为四类：惯例、故事、准则和技术性说明。人们会根据谈话对象和场合的不同给出不同类型的理由，有时还会在不同类型的理由之间进行转换。例如，一个医生可能使用生物化学的专业语言来理解病症，但在不懂生物化学的病人面前，他会诉诸惯例和故事。
全书随处可见关于（包括作者本人的）日常生活体验的精彩轶事。本书告诉我们，故事是人类最伟大的发明之一。
▷媒体赞誉◁
本书作者蒂利，以研究宏观历史变迁闻名于世，本书却显示出他洞悉微观的功力。
—— 沈原 清华大学社会学系教授
人是行动常常需要理由的动物——作者不仅提出了这一精彩的命题，并且做了出色的解答。
—— 郑也夫 北京大学社会学系教授
本书辨析了一个重要却鲜为研究的现象：日常生活中理由的给定。更为重要的是，它令人信服地阐明了微观社会互动如何促成宏观社会结构。
—— 郭于华 清华大学社会学系教授
蒂利是过去20—30年间最有影响的社会学家之一。
—— 唐世平 复旦大学国际政治系教授
延续传奇社会学家欧文•戈夫曼的传统，蒂利试图解码日常的社会互动结构，成果即是这部作品——它迫使读者重审他们与孩子交谈的方式以至他们谈论政治的方式。
——马尔科姆•格拉德威尔 《纽约客》
一本有说服力的书……显然，癌症专家与其同事交谈的方式不同于与其病人交谈的方式：他在以不同的方式交谈时到底在做什么，这是蒂利的关切所在。
——亚当•菲利普斯 《伦敦书评》
- 提出因果之梯三层级，突破相关性局限
- 引入do算子与因果图，量化干预效果
- 探讨强人工智能需具备因果推理能力
- 人工智能与机器学习领域的研究者
- 对统计学、因果推断感兴趣的读者
- 希望提升逻辑思维与科学素养的人
- 非纯科普，需具备基础概率论知识
- 前半部分案例生动，后半部分数学较难
- 重点理解观察、行动与想象的差异
- 因果革命里程碑，思维训练价值极高
- 内容烧脑，部分读者反映阅读门槛较高
- 作者风格自恋，但理论框架具有启发性
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
- "在数学上，我们把自愿服药的病人的生存期L的观测频率记作P（L|D），这就是统计学教科书中常用的条件概率。这个公式表示生存期L的概率（P）是以观察到病人服用药物D为条件的。注意P（L|D）与P（L|do（D））完全不同。观察到（seeing）和进行干预（doing）有本质的区别，它解释了我们不认为气压计读数下降是风暴来临的原因。观察到气压计读数下降意味着风暴来临的概率增加了，但人为迫使气压计读数下降对风暴来临的概率并不会产生影响。"
- "事实上，我在机器学习方面的研究经历告诉我，因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（seeing）、行动能力（doing）和想象能力（imagining）。"
- "干预比关联更高级，因为它不仅涉及被动观察，还涉及主动改变现状。例如，观察到烟雾和主动制造烟雾，二者所表明的“某处着火”这件事的可能性是完全不同的。无论数据集有多大或者神经网络有多深，只要使用的是被动收集的数据，我们就无法回答有关干预的问题。从统计学中学到的任何方法都不足以让我们明确表述类似“如果价格翻倍将会发生什么”这样简单的问题，更别说回答它们了。认识到这一点让许多科学家挫败不已。我之所以对此心知肚明，是因为我曾多次帮助这些科学家踏上因果关系之梯的更高层级。"
- "首先，赖特想说的是，路径分析的应用应该以研究者对因果过程的个人理解为基础，这种理解就反映在其所绘制的因果图或路径图中。它不能被简化为一个机械性的程序，就像统计手册里列出的那些操作方法一样。对于赖特来说，绘制路径图不是一种统计学实践，而是一种遗传学、经济学、心理学实践或其他诸领域的研究者在自己的专业领域所进行的一种实践。 其次，赖特将“无模型方法”的诱人之处归因于其客观性。自1834年3月15日伦敦统计学会成立伊始，客观性就是统计学家的圣杯。学会的创始章程规定，在所有的情况下，数据都优先于观点和解释。数据是客观的，而观点是主观的。这个规则的提出远远早于皮尔逊时代。为客观性而奋斗，完全根据数据和实"
- "这个看似简单的方程就是贝叶斯法则。如果仔细观察它所表达的内容，我们就能发现它提供了逆概率问题的一种通用解决方案。它告诉我们，如果我们知道给定T后S的概率，即P（S|T），那么我们就应该能够计算出给定S后T的概率，即P（T|S），当然前提是我们已知P（T）和P（S）。"
- "我们在实际生活中似乎就是遵循着共因原则行事的，无论何时，只要观察到某种模式，我们就会去寻找一个因果解释。事实上，我们本能地渴望根据数据之外的某个稳定机制对观察结果做出解释。其中最令人满意的解释是直接因果关系：X导致Y。当实际情况不能满足直接因果关系时，如果能找出X和Y的共因，那么我们也会感到满意。相比之下，对撞结构太难以捉摸，无法满足我们的因果解释欲。"
- "对撞的扭曲棱镜在日常生活中同样普遍存在。正如乔丹·埃伦伯格在《魔鬼数学》（How Not to Be Wrong）中提出的问题：你有没有注意到，在你约会的人当中，那些有魅力的人往往是混蛋？与其为解释这一现象而费力构建复杂的社会心理理论，不如考虑一种更简单的解释。你对约会对象的选择取决于两个因素：魅力和个性。你会冒险约会一个刻薄而有魅力的人，或者一个和蔼但缺乏魅力的人，你当然也会与既和蔼又有魅力的人约会，但你肯定不会与既刻薄又没有魅力的人约会。换句话说，你删掉了所有“负—负”的结果，这与你在抛掷两枚硬币的例子中所做的筛选是相同的，而正是这种筛选造成了魅力和个性之间的伪负相关。可悲的事实是，没有魅"
- "规则1为：如果我们观察到变量W与Y无关（其前提可能是以其他变量Z为条件），那么Y的概率分布就不会随W而改变。例如，在第三章，我们看到，一旦我们知道了中介物“烟雾”的状态，变量“火灾”就与变量“警报”不相关了。这种不相关的认定转化为符号处理，就是： P（Y|do（X），Z，W）=P（Y|do（X），Z）"
