注射疫苗後死亡的因果推論問題

原發表於臉書「陳瑞麟的科哲絮語」，6月26日。

近日（6月間）長者注射疫苗後死亡人數不斷地攀升，引起關心者對於其間因果關係的思考：究竟注射疫苗與長者的死亡有沒有因果關係？一開始，不少朋友接受「背景值」的比較方式，主張在與一般條件下長者死亡率相比，注射疫苗後死亡的長者並沒有多得異乎尋常，所以兩者的因果關係很難成立。

對「因果關係」的思考，大概是哲學傳統中最熱門的議題之一，在當代尤烈。自從休姆以來，有許多不同的「因果概念」被提出來，所以也有很多不同的因果判準或因果推論模式被提出來。不過，在群體的因果事件中，彌爾方法（Mill's methods）是一個很基本的因果假設推論模式，它是十九世紀的哲學家彌爾（J. M. Mill）發展的，用來從群體的已知事實中推出因果假設。雖然當代有很多十分精緻到令人眼花遼亂的因果（假設）推論模式（例如 INUS條件、counterfactual inference、干預操控論、因果模型推論等等），但是彌爾方法可說是因果假設推論的「基本款」（「原型」），許多更複雜的統計因果推論模式都是從其中發展出來的，包括科學實驗的黃金標準RCT（隨機控制實驗）。就像亞里斯多德的定言三段論非常符合一般人對演繹推論的直覺，彌爾方法也非常符合一般人對因果假設推論的直覺。在長者注射疫苗後死亡這個議題而言，我就是使用彌爾方法來作初步的因果假設推論。關於彌爾方法的完整介紹，可以參看本人的《科學哲學：假設的推理》第五章。

先簡單介紹彌爾方法中的兩種推論模式：第一種稱作協同法（method of agreement），它是說如果有一個群體，每個成員都發生了y的結果，我們發現每個成員在發生y之前，都做了x，那麼，可以推出一個假設：x 可能是y的原因。協同法其實就是後來的「統計相關」，當然，現在每個人都知道「統計相關」不代表有因果關係。因此只能說它只是一個因果假設，有待進一步驗證。

第二種稱作「異同合用法」（method of agreement and difference），是拿兩個群體A和B作對照，如果A群體的每個成員都發生y的結果，B群體的每個成員都沒有y 的結果，我們又發現A群體的每個成員都做了x，而B群體的每個成員都沒有做x （差異處），那麼，可以推論x是y的原因之可能性又更高了──但這仍然不是定論。這個「方法」又可稱作「對照推論模式」（mode of comparative inference）。RCT是這個推論模式的精緻化，並結合統計和機率推論。

現實上很少有這樣完全符合彌爾推論模式的前提條件，絕大多數的情況是A群體的成員都做了x，有些成員卻沒有出現 y；B群體的成員沒有做x ，但也有成員出現y。所以要發展統計來判斷究竟x是不是y的原因？進一步，A群體和B群體中，有沒有其它變項如z 影響 x，以致出現或不出現y等，還有如何選擇B群體來做為A群體的對照組等，都會推出很多不同的假設來。

現在讓我用簡單的數字把彌爾方法應用到「長者注射疫苗後死亡」的因果假設推論上。

假設我們先關注某一個時段長者死亡的人數有10人，其中有7人注射疫苗，3人沒有，根據協同法，我們推出注射疫苗可能是那7位長者死亡的原因（或「相關」）。當然，這個推論太匆促，因為沒有把所有注射疫苗（做x）的長者都納入考慮，也沒有把所有長者的人數都納入考慮。

現在，假設某個時段的被統計的長者有100人，有50人注射疫苗，50人沒有注射，總共有10人死亡，其中7人注射疫苗，3人沒有注射疫苗。那麼，注射疫苗後死亡與注射疫苗者的比例仍然高於沒有注射疫苗而死亡的比例，使用「異同合用法」來推論，注射疫苗是那7人死亡原因的可能性仍然頗高。可是，這似乎漏掉了那注射的50人中有43人沒有死亡的情況？（讀者在閲讀這些推論時，要先排除「疫苗很安全」這些先行知識。因為我都只是在作「假設」推論。）

現在，假設群體100位長者都注射疫苗了，有7人死亡，但93人沒有，比率比死亡者高得多，這代表注射疫苗不是死亡的原因嗎？不是，這種比率只是讓我們懷疑死亡可能來自其它因素，但並無法排除「注射疫苗」這個候選者。所以我們必須另找對照組來作比較：假設在相同條件下，有另100位長者都沒有注射疫苗，統計他們在相同時段中會有多少人死亡？這個假設就是一個「反事實推論」（counterfactual inference）。要驗證這個假設推論，我們就必須去找符合推論前提的資料。例如找之前另一群長者，在同時段（如去年六月）的死亡人率來作比較。這就是所謂「背景值」的比較推論模式。假定我們找到去年沒有注射疫苗的對照組另100人，在同時段中有10人死亡，比起今年注射疫苗的7人更多，那麼，這排除或否證了注射疫苗是那7人死亡的原因嗎？答案同樣是「不」。它頂多只是讓「注射疫苗是死亡原因」這個假設成立的可能性變得更低。因為，即使過去在正常狀態下，每個月的死亡人數起起伏伏，就算平均每個月有8人死亡，也不排除出現一兩個月的極端值，例如少到只有1-2人死亡。也許這個月就是極端值，但卻出現7人在注射疫苗後死亡，那注射疫苗就可能是原因。這是歸納推論不具必然性的結果。

既然談到了「反事實推論」，我就用自己的理解來分析一下「反事實推論」如何作因果假設的推論。在我看來，所謂的反事實推論的邏輯仍然與之前彌爾的異同合用法的邏輯一樣，只是表達方式不同。反事實推論是「觀察到x出現，而且y也出現」時，用「反事實條件」（如果x 沒有出現，則y也沒有出現）來檢驗x是否是y的原因。之所以稱作「反事實」是因為它假設「x沒有出現」這個與觀察到「x出現」的事實相反的條件。主張「因果關係」是「反事實依賴性」（counterfactual dependency）的哲學家還提出其它條件，這裡我就不談了。「反事實條件」也需要事實的檢驗，如果事實符合反事實條件，那麼「x是y的原因」成立的可能性就較大。但如果事實是「x沒有出現，但y卻出現了」，可以反證或排除x是y的原因嗎？還是不能。它只是降低「x是y的原因」這假設成立的可能性而已。

所以，不管是用哪一種因果推論模式（彌爾式的事實對照推論或反事實推論），都無法排除「注射疫苗是長者死亡原因」的可能性，頂多只是降低其成立的可能性而已。這也是為什麼我們必須進入「微觀因果」的層次，實際去調查每一位死者的致死因，目前醫界都是使用法醫傳統的解剖判斷方法。問題是，人體是一個「複雜動態系統」，涉及到複雜動態系統的因果關係，我們可能需要另一套「結構因果」(structural causation)或動態的機制的因果觀念和推論模式。這又是另一個問題了。