在探讨因果性与因果效应的计算方法时，我们首先需要理解的是，因果推断的核心在于评估某项干预措施（例如是否吃药）对某一结果（例如是否头疼）的影响。为量化这一影响，我们引入了潜在结果的概念。以头疼为例，如果吃药后头疼消失，而未吃药时仍头疼，我们可能推断吃药与头疼缓解存在因果关联。反之，如果头疼无论是否吃药都存在，我们难以断定吃药对头疼的缓解有直接因果效应。

具体地，我们可以用do(T=1)表示施加干预（如吃药），do(T=0)表示不施加干预（即不吃药），而Y代表结果（是否头疼）。潜在结果即为施加干预与未施加干预两种状态下的结果。因果效应则通过计算这两种状态下的结果差异得到，即do(T=1) - do(T=0)，也可简记为ITE (Individual Treatment Effect)，代表个体层面的因果效应。

然而，对于特定个体而言，我们只能观察到施加与未施加干预的其中一种结果，而另一种结果为“反事实”结果。由于无法直接观察到这一结果，我们通常无法精确计算个体的因果效应。因此，我们倾向于研究针对人群的平均因果效应（ATE）。

平均因果效应（ATE）的计算基于期望的线性性质，但更常用于统计分析的是条件期望，它在实际情况下往往不等于等式左侧的期望。这是因为等式右侧衡量的是相关性，而相关性并不足以推出因果性，特别是当存在混杂因素（confounding）时。

为解决这一问题，随机试验（RCTs）成为一种理想选择。在随机试验中，干预（如是否吃药）的分配是随机的，这样可以有效控制混杂因素，从而更准确地估计因果效应。随机试验的显著特点是不存在混杂因素，即no confounding，从而允许我们直接计算因果效应。

尽管随机试验提供了理想的因果推断方法，但在现实世界中，获取随机试验数据并非总能实现。此时，观测研究（Observational studies）显得尤为重要，它们提供了大量非随机数据，用于探究因果效应。

观测研究面临的挑战在于混杂因素的存在，这会干扰变量之间的关联，影响因果效应的准确评估。为克服这一问题，我们通常需要调整或控制混杂因素。通过调整混杂因素，我们能够在条件期望的基础上计算因果效应，即基于混杂因素的条件计算结果，进而去除混杂因素的影响，计算出干预的因果效应。

当存在多个混杂因素时，我们需识别出足够的调整集（sufficient adjustment set），并控制这些混杂因素，以确保因果路径的独立性，即在特定条件下，混杂因素对结果的影响被有效阻断。通过这种方式，我们能够在调整了混杂因素后，准确估计干预的因果效应。

以COVID-27的例子为例，通过应用上述方法，我们能够计算得出在存在混杂因素的情况下，干预措施B相较于控制措施更优。这一结论的合理性在于，调整了混杂因素后，实验组与对照组中混杂因素的权重相等，从而确保了计算的合理性和公平性。

综上所述，因果推断不仅需要理解潜在结果的概念，还需要掌握如何在随机试验和观测研究中准确计算因果效应。通过有效控制混杂因素，我们可以更准确地评估干预措施对结果的影响，从而在实际应用中提供有价值的因果结论。