对于个人，病因效应（causal effect）无法获取，除非在非常苛刻的假设之下。原因很简单，我们不可能让一个人同时同条件下接受两种干预，产生两种结果。但是对于人群，这个假设的条件就合理的多。

从上图，我们可以非常清晰的看到causation和association的关系。

Causation：

假设整个人群接受暴露和整个人群都未接受暴露下健康风险的差异；

Association：

根据一个人群中接受暴露亚组和未接受暴露亚组间的健康风险的差异。

我们可以发现，研究人群的假设：

1）理想的随机化研究；

2）强烈假设条件的观察性研究（假设条件是为了让观察性研究中原本有差异的两个亚组在一定的条件下具有可比性）。

在这样的假设条件下我们可以将association转化成为causation。换句话说，平均病因效应（average causal effect），即亚组人群中个体病因效应的平均值的获取相对来说是可以获得的。

直白的讲，所有的临床科研就是在追求association到causation的过程，或是尽可能的完善科研设计，或是利用统计分析规避可能的混淆因素，从而建立最接近事实的exposure和outcome之间的关联。因此，我们将在未来几期中重点介绍偏倚（bias）、混淆因素（confounding）和效应修正（effect modification）的方法来分析可能混淆真实结果的来源；以及尝试用的消除这些干扰的方法，包括匹配分析（matching）、分层分析（stratification）和 倾向性分析（propensity score analysis）等。