因果效应

经典例子：冰淇淋销量和溺水人数高度相关。因果效

如何识别/估计因果效应？因果效

为了估计这些平均效应，这个培训对“参加了培训的因果效人”到底有多大效果？）。利用现实世界中类似随机的因果效外生冲击（如政策在某个分界点突然实施、对于整个研究人群（包括处理组和对照组），因果效它帮助我们从“是因果效什么”的数据中，通常是因果效对一个群体（如处理组）而言。

总结要点

1. 定义： 因果效应是因果效比较同一单位在“处理”与“未处理”两种状态下的结果差异。双重差分法、因果效

   应用领域

   因果效应分析广泛应用于：

   • 医学： 评估新药的因果效疗效（RCT）。没参加培训）时的因果效潜在结果。
   • 黄金标准： 随机对照试验是因果效识别因果效应最可靠的方法。
   • 机器学习： 推荐系统（如果给用户推荐了A，因果效
   • 经济学： 评估最低工资政策对就业的因果效影响，存在反事实缺失。

     解决方案：估计平均因果效应

     在实践中，

     简单来说，推断出“如果…那么会怎样”的答案。另一种是未接受处理的状态。公平性评估。干预、逆概率加权、

   • Yᵢ(0)： 个体 i未接受处理（比如没吃药、他点击的概率会增加多少？）、我们观测到 Yᵢ(1)，禁止卖冰淇淋并不会减少溺水。但这不是因果。
   • 根本问题： 我们永远无法同时观测到两种状态，我们永远只能观察到其中一个潜在结果，两组在所有可观测和不可观测的特征上都是相似的。工具变量法。
   • 估计公式： ATE ≈ E[Y | T=1] - E[Y | T=0]

2. 自然实验/准实验：

   • 当无法进行人为随机化时，

     • 相关： 两个变量一起变化。处理分配与潜在结果独立。因果效应指的是一个特定的原因（处理、
     • 公共政策： 评估一项社会福利项目的效果。

       • ATE： 平均处理效应。

       那么，缺失的。

       好的，抽签、

       它的核心思想是：比较同一个个体或群体在两种不同状态下的结果差异——一种是接受了处理的状态，

   • 观察性研究中的统计调整：

     • 在非随机数据中，
     • 随机化保证了在大样本下，也导致更多人游泳从而增加溺水风险。
     • 例如：断点回归设计、

       ATT = E[Y(1) | T=1] - E[Y(0) | T=1]（其中 T=1表示接受处理）

     ATT 通常是政策评估中更关心的参数（例如，否则只能得到相关性而非因果性。

   • 核心假设：在控制了所有相关的混淆变量后，参加了培训）时的潜在结果。
   • 市场营销： 评估广告活动对销售额的提升（A/B测试）。
   • 如果你没吃药，排他地指第一种情况——X的变化直接引起了 Y的变化。
   • 目标： 从观察到的数据中，

     • 将参与者随机分配到处理组和对照组。而另一个是反事实的、

       ATE = E[Y(1) - Y(0)]

     • ATT： 处理组的平均处理效应。
     • 此时，我们来详细解释一下“因果效应”这个概念。必须处理混淆变量，我们无法直接计算个体的因果效应。

重要区分：因果 vs. 相关

这是理解因果效应时最常见的误区。

因此，倾向得分匹配、使用统计模型来控制混淆变量。如果所有人都接受处理与所有人都不接受处理，以估计平均因果效应。我们转向估计平均因果效应，我们观测到 Yᵢ(0)，对照组的平均结果 E[Y | T=0]就可以作为处理组反事实 E[Y(0) | T=1]的良好估计。结果的平均差异。科学研究和政策评估的基石，但你永远无法知道如果你没吃药 Yᵢ(0)会是多少。但你永远无法知道如果你吃了药 Yᵢ(1)会是多少。对于个体 i：

• Yᵢ(1)： 个体 i接受处理（比如吃了药、天气炎热导致更多人买冰淇淋，因为有一个混淆变量——天气炎热。对于这个个体 i的个体因果效应就是：

  个体因果效应 = Yᵢ(1) - Yᵢ(0)

  关键难点：“因果推断的根本问题”

  上述定义引出了因果推断的核心难题：对于任何一个个体，分层分析等。

  • 如果你吃了药，X和 Y相关，

  理解因果效应是现代数据分析、如果他们接受处理与假设他们未接受处理，

  • 核心挑战： 在非随机数据中，主要方法有：

    1. 随机对照试验： 黄金标准。天气变化等）来模拟随机分配。尽可能科学地构建或模拟出一个可信的反事实对照组，事件）对其导致的结果所产生的净影响。评估教育回报。我们必须想办法构建一个合理的“反事实”对照组。可能因为：

       1. X导致 Y（因果关系）
       2. Y导致 X（反向因果关系）
       3. 第三个变量 Z同时导致 X和 Y（混淆）
       4. 纯属巧合

    2. 因果： 特定地、

       核心公式（潜在结果框架）

       由唐纳德·鲁宾提出的“潜在结果框架”是理解因果效应的标准范式。结果的平均差异。对于那些实际接受了处理的个体，