“第三者”
结论：
事实上两个变量之间的相关，并不意味着这两个变量之间有直接的因果关系，相关之所以产生，是因为这两个变量都分别于第三变量相关。现实生活中，存在许多“虚假相关”，即相关的产生不是因为两个变量之间存在一个可以测量的直接的因果联系，而是因为这两个变量都与第三变量相关。
例子：
新同事加入公司，很容易因为难以接受高强度的工作量和压力而离职，工作内容和离职现象存在一定的相关性，但实际还存在潜在的第三变量：部门主管的工作分配问题。新同事刚入职，处于一个适应期，适应公司的环境和岗位的内容，在内心中存在诸多的恐惧和不确定性，这个时刻，好的师傅领进门显得非常重要。优秀的领导和师傅，是否能够新员工的实际情况，有步骤，有条理的安排工作任务，并且及时进行沟通反馈，让新员工能以一种平缓过渡的姿势融入到公司和工作中，这直接影响新员工对公司和岗位的理解与看法。假如只是表面上听到新同事抱怨工作内容太多，压力太多，非常容易认为是这个岗位本身的设置有问题，或者新员工的心态问题。这种相关性一旦被定义为因果性，采取解决问题的办法必然会以失败而告终。
行动：
幸运的是，还有许多复杂的相关统计方法，能够去除其他变量的影响，提出公因子或定义协变量之后重新计算两个变量之间的相关。1. 多元回归；2. 偏相关；3. 路径分析：
””“
