一、核心思想与目标

因果推断是一套科学和方法论的框架，旨在回答“…那么会怎样？”这类问题，它的终极目标是识别和量化原因对结果产生的净效应,而不仅仅是描述数据之间的关联。

• 关联 vs. 因果：这是因果推断的起点，统计学和机器学习模型通常擅长发现变量之间的关联或相关性（冰淇淋销量与溺水人数正相关），但相关不等于因果，因果推断要回答的是：如果干预或改变一个变量（原因），是否会导致另一个变量（结果）发生变化。
• 目标：估计因果效应。
  • 服用这种新药（干预），能将患者的康复率提高多少（效应）？
  • 提高最低工资（干预），会对就业率产生什么影响（效应）？
  • 这个广告展示（干预），真正带来了多少新增购买（效应）？

关键挑战：混杂因素

识别因果关系的最大障碍是混杂因素。

• 定义：混杂因素是同时影响原因变量和结果变量的第三个变量,它的存在会导致我们观察到虚假的关联。
• 经典例子：冰淇淋销量（X）和溺水人数（Y）呈正相关，但“夏天/高温”（Z）才是真正的混杂因素——天气热导致冰淇淋卖得多，同时也导致更多人游泳从而可能溺水，如果我们错误地认为冰淇淋导致溺水，就犯了“混淆”的错误。
• 核心任务：因果推断的大部分方法都是为了消除或控制混杂因素的影响,以揭示真正的因果效应。

基础框架与反事实

现代因果推断建立在潜在结果框架之上，由Donald Rubin提出，因此也称为鲁宾因果模型。

• 核心概念：反事实
  • 对于同一个个体（或单位），在某一特定时间点，我们只能观察到一种情况下的结果：要么接受了干预,要么没有。
  • 反事实就是那个我们无法观测到的、与事实相反的结果，对于一位吃了药的病人，他的“反事实”是“如果没吃药，他会怎样”；对于一位没吃药的病人，他的反事实是“如果吃了药，他会怎样”。
• 个体处理效应：个体的因果效应 = 该个体在干预下的结果 - 该个体在未干预下的结果（反事实），由于反事实不可观测,个体效应通常无法直接获得。
• 平均处理效应：我们通常退而求其次，估计群体层面的平均因果效应，ATE = （干预组平均结果 - 干预组平均反事实结果）或通过设计来估计。

核心方法与识别策略

为了估计ATE，我们需要设计或方法来实现“苹果与苹果的比较”,以下是几种核心策略：

1. 随机对照试验：

   • 黄金标准，将研究对象随机分配到干预组和对照组。
   • 原理：随机化可以平衡所有已知和未知的混杂因素在两组间的分布，使得干预组和对照组在平均意义上可比,两组结果的平均差异就可归因为干预的因果效应。

2. 观察性研究中的方法： 当无法进行RCT时（由于伦理、成本或可行性）,我们基于观察数据进行分析。

   • 回归调整：在统计模型中直接纳入并控制已知的混杂变量。
   • 倾向得分匹配：
     • 为每个个体计算其接受干预的概率。
     • 为干预组中的每个个体，在对照组中找到一个或多个倾向得分非常接近的个体进行匹配，这样构建出的两个组在可观测特征上相似,模拟了随机分组。
   • 双重差分法：
     • 适用于面板数据（同一对象在不同时间点的数据）。
     • 比较干预组和对照组在干预前后的结果变化之差，它能控制两组之间不随时间变化的固有差异（如地区文化）和随时间共同变化的趋势。
   • 工具变量法：
     • 当存在未观测的混杂或干预变量存在测量误差时使用。
     • 寻找一个“工具变量”：它必须只通过影响干预变量来间接影响结果，且与误差项无关，用这个工具来“提取”干预中与混杂无关的部分,用于估计因果效应。
   • 断点回归设计：
     • 适用于干预分配基于一个连续变量阈值的情况（如分数线、贫困线）。
     • 比较阈值两侧无限接近的个体，由于在阈值附近，个体其他特征可以认为是随机的,结果的跳跃可以归因于是否获得干预。
   • 因果图与结构因果模型：
     • 使用有向无环图来形式化地表达变量间的因果假设。
     • 帮助识别哪些变量需要被控制，哪些不应被控制,并指导选择合适的方法。

重要概念区分

• 调整偏差 / 碰撞偏差：错误地控制一个变量（如因果图中的“对撞因子”）可能会引入新的偏差。
• 中介分析：探索原因通过何种中间机制影响结果（X -> M -> Y）。
• 异质性处理效应：研究因果效应在不同子群体（如男/女，老/少）中是否有差异。

应用领域

• 医学与公共卫生：评估药物、手术、政策的效果。
• 经济学与社会科学：评估政策（教育、税收、福利）影响。
• 市场营销：评估广告、促销、定价策略的真实效果。
• 科技互联网：评估产品功能改版、推荐算法、界面设计对用户行为的影响（A/B测试的本质就是在线随机对照试验）。

因果推断是从观察或实验数据中，剥离关联、揭示因果的一套严谨科学，它始于对“反事实”的思考，直面“混杂因素”的挑战，并通过随机化或一系列识别策略，力求像做实验一样从非实验数据中推断出可靠的因果关系，在数据驱动决策日益重要的今天，它已成为数据科学、经济学、流行病学等领域的核心分析范式。

标签： 思想 目标