科学家们现在可以从更系统的角度观察在几乎任何系统中影响因素所起的因果作用，得益于一种用于确定因果关系的新方法。
因果关系。这一概念是我们已经熟知的。拉动一个玩偶的一系列动作，玩具就会跟随。显然，随着程序的扩展、因素的增多以及声音的介入，事情变得复杂得多。有时几乎不可能确定某个因素是否真的产生了影响，或者仅仅是关联或联系的表现。
考虑一个天气研究的例子。研究大气流动模式及其对全球气候影响的研究人员想要知道，随着天气变暖，这些模式可能会如何改变。在这里，几个变量会发挥作用：湖泊和天气的温度和压力、海洋的潮汐和深度，甚至是月球运动随时间的变化。但是，哪些因素具有最多的可测量结果呢？
在这种情况下，数据理论作为因果关系的基础。加州理工学院航空航天副教授Adrien Lozano-Durán及其在麻省理工学院和加州理工学院的团队开发了一种可以在如此复杂系统中确定因果关系的技术。
这种新的科学工具能够识别每个系统的单个变量对记录效应的贡献，既可以独立识别，也更重要的是可以结合识别。该小组在《自然通讯》期刊上于11月1日发布的报告中描述了他们的新技术，称为协同独特冗余因果分解（SURD）。
任何科学家试图识别记录效应的真实原因的情况都可以采用这种新工具。这可能包括导致2008年股市下跌的因素、多个风险因素在大脑功能障碍中的作用、沿海因素对某些鱼类物种人群的影响，以及机械因素在材料失效中发挥的作用。
麻省理工学院的研究生Álvaro Martínez-Sánchez说：“因果推断是非常多学科的，有潜力推动许多领域的进步。”他是Lozano-Durán团队的成员，也是新论文的第一作者。
对于Lozano-Durán的团队来说，SURD在设计航空航天系统方面将最为有用。例如，通过识别哪个变量导致飞机阻力增加，该方法可以帮助工程师优化车辆设计。
Lozano-Durán解释说：“之前的方法只能告诉你因果关系来自哪个变量或其他变量多少。”我们方法捕捉到导致效应的每一个细节的能力使其与众不同。
此外，这种新方法避免了错误识别因果关系。这在很大程度上是由于它超出了仅仅确定每个变量产生的独立效应的范围。除了作者所称的“独特因果性”之外，该方法还包含了两种新的因果性类别，即冗余因果性和协同因果性。
当多个变量导致可测量的效应时，就会发生冗余因果性，但并非每个变量都是产生相同结果所必需的。例如，一个学生可以因为她的努力或智力而在课堂上获得高分。这两者都可能导致好成绩，但只需要其中之一。这两个变量是冗余的。
反之，协同因果性涉及多个变量，这些变量必须共同运作才能产生效应。每个独立因素单独不会产生相同的结果。例如，一个患者服用药物A，但他并没有从疾病中恢复。同样，当他服用药物B时，他也没有看到改善。但是当他同时服用两种药物时，他就完全康复了。药物A和B是协同的。
SURD在数学上分解了系统中每个变量对其独特、冗余和协同因果组成部分的贡献。一旦达到所有这些贡献的总和，必须满足一个信息守恒方程，这可以用于确定隐藏因果关系的存在，即那些无法测量或被认为不重要的变量。如果隐藏因果关系被发现过大，研究人员意识到他们在分析中包含的变量需要重新考虑。
该团队使用SURD分析了16个验证案例，这些案例是具有已知解决方案的场景，通常会给试图确定因果关系的研究人员带来重大困难，以测试新方法。
加州理工学院研究生航空实验室的博后研究员Gonzalo Arranz表示：“我们的方法在所有这些案例中始终能给出有意义的答案。”其他方法会合并不正确的因果关系，偶尔会产生混淆。例如，它们可能错误地识别不存在的因果关系。
该团队使用SURD调查了论文中墙壁周围空气形成涡流的过程。在这种情况下，靠近墙壁的低空空气流动较慢，而高空空气流动较快。关于这一情景发生的某些理论以前曾暗示，较高高度的流动影响靠近墙壁的情况，而非相反。而根据其他理论，靠近墙壁的气流和高层的情况都被认为是影响的因素。
Lozano-Durán说：“我们用SURD分析了这两个信号，以了解相互作用是如何发生的。” “事实证明，因果性来自于远处的速度。此外，还有一些协同作用，信号相互作用产生另一种类型的因果性。这种因果性分解或分解成部分的方式是我们方法的独特之处。”
