与这些显性因果相对应的，就是隐性因果联系。
那个著名的啤酒和尿布的案例其实就是隐性因果联系，这些隐性因果之间，不一定具备必然性，但是因和果之间，往往存在或然性联系。
就单个事例来说，这种因果联系未必成立，但是将其置于一个足够大的基数上时，这种因果联系就凸显出来，这是一种概率学意义上的因果关系。
另外有一个案例，就是基于这种概率学因果关系的。一个搜索公司，它想研究今年冬天流感爆发的可能性，但是它研究的角度非常有意思，他不是从医学角度来研究，而是程序和算法角度来研究。
它通过分析5000万条最频繁检索的词汇，将之和疾病中心在5年间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型，从中寻找关联性，寻找那些隐藏起来或然联系，最终它成功预测了流感的爆发，甚至可以精确到特定的地区和城市。
如果说显性因果只需要事先标注和设定，那么隐性因果明显就需要挖掘和寻找了，而如何找到这些隐性因果，就是数据分析模块的主要功能，同时也是这个模块是否设计成功的一个标志性指标。
【马上就要515了，希望继续能冲击515红包榜，到5月15日当天红包雨能回馈读者外加宣传作品。一块也是爱，肯定好好更！】
！！