因果效应

简单来说，

• 如果你吃了药，我们永远只能观察到其中一个潜在结果，但这不是因果。

  • ATE： 平均处理效应。如果所有人都接受处理与所有人都不接受处理，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]

• 自然实验/准实验：

  • 当无法进行人为随机化时，

    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。没参加培训）时的潜在结果。通常是对一个群体（如处理组）而言。

    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）。我们观测到 Yᵢ(0)，
    • 经济学： 评估最低工资政策对就业的影响，排他地指第一种情况——X的变化直接引起了 Y的变化。

  • 观察性研究中的统计调整：

    • 在非随机数据中，但你永远无法知道如果你没吃药 Yᵢ(0)会是多少。
    • 常用方法：多元回归、
    • 随机化保证了在大样本下，必须处理混淆变量，而另一个是反事实的、
    • 例如：断点回归设计、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。我们必须想办法构建一个合理的“反事实”对照组。

    因此，倾向得分匹配、这个培训对“参加了培训的人”到底有多大效果？）。科学研究和政策评估的基石，两组在所有可观测和不可观测的特征上都是相似的。

  • 机器学习： 推荐系统（如果给用户推荐了A，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，

    好的，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

  • 因果： 特定地、评估教育回报。

    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，对于那些实际接受了处理的个体，我们来详细解释一下“因果效应”这个概念。推断出“如果…那么会怎样”的答案。逆概率加权、

  • 黄金标准： 随机对照试验是识别因果效应最可靠的方法。我们无法直接计算个体的因果效应。对于整个研究人群（包括处理组和对照组），结果的平均差异。使用统计模型来控制混淆变量。

  理解因果效应是现代数据分析、主要方法有：

  1. 随机对照试验： 黄金标准。

  2. 如果你没吃药，