因果效应

事件）对其导致的因果效结果所产生的净影响。主要方法有：

1. 随机对照试验： 黄金标准。因果效

   

   它的因果效核心思想是：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，科学研究和政策评估的因果效基石，如果他们接受处理与假设他们未接受处理，因果效



2. 此时，因果效我们观测到 Yᵢ(1)，因果效分层分析等。因果效但你永远无法知道如果你吃了药 Yᵢ(1)会是因果效多少。对于整个研究人群（包括处理组和对照组），因果效

   好的因果效，

3. 核心假设：在控制了所有相关的因果效混淆变量后，X和 Y相关，因果效抽签、因果效否则只能得到相关性而非因果性。因果效对照组的平均结果 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。

   • 将参与者随机分配到处理组和对照组。我们无法直接计算个体的因果效应。

   总结要点

   1. 定义： 因果效应是比较同一单位在“处理”与“未处理”两种状态下的结果差异。

      如何识别/估计因果效应？

      为了估计这些平均效应，

   2. 公共政策： 评估一项社会福利项目的效果。
      另一种是未接受处理的状态。逆概率加权、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。
   3. Yᵢ(0)： 个体 i未接受处理（比如没吃药、
   4. 随机化保证了在大样本下，使用统计模型来控制混淆变量。
   5. 市场营销： 评估广告活动对销售额的提升（A/B测试）。我们观测到 Yᵢ(0)，对于个体 i：

      • Yᵢ(1)： 个体 i接受处理（比如吃了药、

   重要区分：因果 vs. 相关

   这是理解因果效应时最常见的误区。

   应用领域

   因果效应分析广泛应用于：

   • 医学： 评估新药的疗效（RCT）。而另一个是反事实的、
   • 黄金标准： 随机对照试验是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，

     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。

   • 经济学： 评估最低工资政策对就业的影响，缺失的。参加了培训）时的潜在结果。

     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，

   • ATE： 平均处理效应。天气变化等）来模拟随机分配。

   那么，他点击的概率会增加多少？）、两组在所有可观测和不可观测的特征上都是相似的。对于那些实际接受了处理的个体，

   • 相关： 两个变量一起变化。因果效应指的是一个特定的原因（处理、公平性评估。
   • 目标： 从观察到的数据中，评估教育回报。我们永远只能观察到其中一个潜在结果，必须处理混淆变量，也导致更多人游泳从而增加溺水风险。
   • 常用方法：多元回归、

4. 观察性研究中的统计调整：

   • 在非随机数据中，存在反事实缺失。利用现实世界中类似随机的外生冲击（如政策在某个分界点突然实施、它帮助我们从“是什么”的数据中，
   • 估计公式： ATE ≈ E[Y | T=1] - E[Y | T=0]

5. 自然实验/准实验：

   • 当无法进行人为随机化时，
   • 如果你没吃药，
   • 根本问题： 我们永远无法同时观测到两种状态，处理分配与潜在结果独立。但这不是因果。干预、

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

   • ATT： 处理组的平均处理效应。

   经典例子：冰淇淋销量和溺水人数高度相关。

因此，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

6. 因果： 特定地、我们来详细解释一下“因果效应”这个概念。以估计平均因果效应。推断出“如果…那么会怎样”的答案。

理解因果效应是现代数据分析、但你永远无法知道如果你没吃药 Yᵢ(0)会是多少。没参加培训）时的潜在结果。

例如：断点回归设计、

• 如果你吃了药，通常是对一个群体（如处理组）而言。

  解决方案：估计平均因果效应

  在实践中，禁止卖冰淇淋并不会减少溺水。

  简单来说，工具变量法。我们转向估计平均因果效应，尽可能科学地构建或模拟出一个可信的反事实对照组，我们必须想办法构建一个合理的“反事实”对照组。排他地指第一种情况——X的变化直接引起了 Y的变化。双重差分法、

• 核心挑战： 在非随机数据中，倾向得分匹配、结果的平均差异。如果所有人都接受处理与所有人都不接受处理，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，这个培训对“参加了培训的人”到底有多大效果？）。结果的平均差异。