因果推断入门：从相关到因果—

使用优惠券的用户下单更多，能否说明优惠券有效？未必。愿意领券的人可能本来就更常购物，直接比较两组会混入用户选择的影响。A/B 测试通过随机分配减少这种偏差；当只能使用历史数据时，因果推断需要明确额外假设，并解释这些假设在哪些情况下不成立。

因果推断研究干预如何改变结果，既包括随机实验，也包括基于观测数据的方法。这篇主要讨论后者。

为什么「控制变量」不够：混杂因子

核心概念就一个词：混杂（confounding）——存在一个变量同时影响「是否接受处理」和「结果」，它就会制造虚假相关。

        原有购买意愿（混杂）
        ↙            ↘
   是否领优惠券          下单概率

判断因果前，先画这个因果图（DAG），问自己：有没有同时指向处理和结果的箭头？ 有 → 简单对比两个组的均值是错的。技术上这叫「后门路径」——必须阻断它才能估计真实效应，方法包括：分层、匹配、回归调整、工具变量。

辛普森悖论就是混杂的极端形态：总体看 A 药效果好，按病情分层后每层都是 B 药好——因为轻症大多分到了 A 药组。A/B 测试篇提过它的工业形态，这里正式认识它的因果本质。

黄金标准：随机实验为什么有效

理想的随机分配让处理分配独立于处理前的混杂因素。但有限样本仍可能偶然不平衡，失访、不依从和组间干扰也会影响解释。因此组间差值需要同时报告不确定性，并检查实验是否按设计执行，不能把观察到的每一点差异都直接归因于处理。

但实验有边界：伦理（不能随机害人）、成本（政策没法 A/B）、时间（长期效应等不起）、外溢（用户互相干扰）。A/B 测试篇覆盖实验内的坑，本篇覆盖实验外的世界。

观察性研究的四大武器

① 倾向得分匹配（PSM）：寻找可比的对照样本

思路：用逻辑回归预测「每个人接受处理的概率」（倾向得分），然后给每个处理组样本找一个得分相近的对照组样本配对——配出来的两组在观测特征上接近平衡，近似随机化。

# 伪代码骨架：score → 匹配 → 平衡检验 → 比较
from sklearn.linear_model import LogisticRegression
ps_model = LogisticRegression().fit(X_covariates, treatment)
scores = ps_model.predict_proba(X_covariates)[:, 1]
# 最近邻匹配：每个处理样本找得分最近的对照样本
# 关键一步：匹配后检查两组各特征的分布是否平衡（SMD < 0.1）

生死点是平衡性检验：匹配后必须验证两组在所有协变量上分布接近（标准化均差 SMD < 0.1），不平衡说明模型或匹配失败，结论无效。以及 PSM 只能平衡观测到的特征——看不见漏掉的混杂（比如「动机」），结论就可能仍是错的。这是所有观察方法的阿喀琉斯之踵。

② 双重差分（DID）：政策评估的国民方法

场景：新政策只在 A 城实施，B 城没有。直接比 A、B 两城？不公平（两城本来就有差异）。DID 比较的是变化的差：

$DID = (A_{后} - A_{前}) - (B_{后} - B_{前})$

A 城的变化减去 B 城的变化——减掉了「不随时间变的城间差异」和「两城共同经历的时间趋势」，剩下的才是政策效应。

核心假设是平行趋势：如果没有政策，两城的变化趋势本该平行。验证方法：看政策前多个时期两城的趋势是否平行（画出来肉眼可见）。DID 是经济学顶刊里最常见的识别策略，互联网场景用于「某功能只对部分城市/部分版本开放」的评估。

③ 工具变量（IV）：找一根「只通处理不通结果」的杠杆

当混杂无法观测（如「能力」影响「教育」也影响「收入」），找一个工具变量 Z：它影响处理、但不直接影响结果、且与混杂无关。经典例子：用「距大学远近」做「是否上大学」的工具来估计教育回报——住得近影响上学概率，但不住在大学旁边本身不会让工资变高。

IV 的难处全在「找工具」：它必须相关（能撬动处理）且排他（不碰结果），排他性无法被数据证明，只能靠领域论证。好工具可遇不可求，这也是 IV 文章常被审稿人集火的原因。

④ 断点回归（RDD）：政策阈值边的自然实验

规则驱动的场景：分数线以上的录取、信用分 600 以上给额度。阈值附近的个体几乎同质（599 分和 601 分的人没有本质差别），但一边被处理一边没有——阈值就是一个局部的自然随机化。比较阈值两侧的「跳跃」即可估计效应。

ML × 因果：两个世界的交汇

预测和因果是两个问题：预测问「看到 X 时 Y 是多少」（P(Y|X)），因果问「做了 X 后 Y 会怎样」（P(Y|do(X))）。但两者正在融合：

Causal ML / 异质性效应：不仅问「平均效应多少」，还问「对谁有效」——uplift model 预估每个个体的处理效应，用于「给谁发券才划算」（只对会被券改变行为的人发）。meta-learner（T/X-learner）、causal forest 是主流工具。
ML 辅助因果：用 ML 估倾向得分、估 nuisance 参数（双重机器学习 DML，用 ML 处理高维协变量同时保住因果效应的无偏估计）。
因果辅助 ML：反事实数据增强、去偏推荐（用户只看到被推荐的，推荐数据天生有偏——因果视角下这是「暴露机制」问题）。

决策框架：遇到问题先问三句

能随机实验吗？ 能 → A/B 测试，别折腾观察方法。
有明确的规则/时间点吗？ 有阈值 → RDD；有前后+对照组 → DID。
只能观测吗？ → 画因果图、找混杂，PSM/DML 处理可观测混杂，并诚实声明不可观测混杂的风险。

所有观察性研究的结论都该带一句：「在 XX 假设成立的前提下」——这是专业与民科的分界线。

踩坑排查

现象	原因	解法
PSM 匹配后效应很大但置信区间宽	匹配丢了太多样本（共同支撑太小）	换卡尺、换核匹配，报告匹配保留率
DID 结果显著但政策前趋势就不平行	平行趋势假设不满足	换对照组；或加时间趋势项；诚实放弃 DID
分层后结论反转	辛普森悖论/混杂显现	以分层结果为准，检查分组逻辑
工具变量第一阶段 F 统计量 <10	弱工具，估计偏倚可能比 OLS 还大	换更强的工具或放弃 IV
「控制了很多变量」结果还是不靠谱	不可观测混杂	敏感性分析：混杂要多强才能推翻结论
uplift 模型给所有人都发券	把响应率当成了提升率	优化目标应是「增量效应」非「转化率」

练习

模拟混杂：生成数据让「年龄」同时影响「是否用药」和「康复率」，先直接比两组（会看到假效应），再按年龄分层比较（效应消失或反转）。
用 psmpy 或手写实现 PSM 完整流程，重点完成匹配后的平衡性检验表（每个协变量的 SMD）。
造一份两城三期数据验证 DID：政策前两城趋势平行、政策后 A 城额外增长，手算 DID 值并与回归法（交互项）对比。
思考题：公司想评估「VIP 客服对续费率的因果效应」，但 VIP 是分配给高价值用户的——写出你会用的识别策略和主要风险。

面试常问

Q：相关和因果的区别？什么时候相关蕴含因果？ 相关是 P(Y|X)，因果是 P(Y|do(X))——后者要求切断 X 的一切其他成因。随机实验下相关即因果（随机化切断了后门路径）；观察数据下只有满足「所有混杂都被观测并调整」（可忽略性假设）时才能近似。核心判断工具是因果图和后门准则。

Q：PSM 的局限？ 只能平衡可观测协变量；依赖倾向得分模型的正确性；共同支撑外的样本被丢弃（处理组里「注定被处理」的人找不到对照）；匹配质量需要平衡性检验兜底。结论强度排序：随机实验 > RDD/DID（有可信自然实验）> PSM/回归调整。

Q：DID 的平行趋势假设怎么验证？ 画政策前多期两组结果趋势图，肉眼检查平行；正式做法做「安慰剂检验」——假装政策在政策前某时点发生，DID 应该不显著。若政策前就不平行，可以用三重差分（DDD）或合成控制法（给对照组加权拼一个「合成 A 城」）补救。

Q：uplift model 和普通响应模型区别？ 响应模型预测 P(购买|发券)，会把「本来就买的人」也排前面——券发给他们是浪费。uplift 预测的是 τ(x) = P(购买|发券,x) − P(购买|不发券,x)，即「因为券而买」的增量概率。四类人：必买（别发）、因券而买（发！）、不为所动（别发）、反感（发了反而不买）。营销预算该全部砸在第二类。

Q：为什么 ML 不能自动解决因果？ ML 优化的是预测损失，而因果需要的是「反事实」——同一个人既处理又不处理的结果，数据里永远缺一半（因果推断的基本问题）。预测模型可以在观测分布内完美插值，但对「改变分布后」的问题无能为力。因果需要结构假设（图、实验、识别策略），这些假设来自领域知识，不在数据里。

因果推断入门：从相关到因果——AB 测试之外的世界