Causal Inference Advanced

核心概念定义

因果推断（Causal Inference）研究「如果干预 X，Y 会怎样」——这是比相关更深的问题。Judea Pearl 把「相关」和「因果」的鸿沟形式化：观察 P(Y|X) 与干预 P(Y|do(X)) 是不同的对象，需要专门方法跨越。

五大方法：

do-calculus（干预 vs 观察）

P(Y|X=x) 是「观察到 X=x 时 Y 的分布」——可能 X 和 Y 都被第三变量 Z 影响，观察 X 给了 Z 的信息。P(Y|do(X=x)) 是「我强行设 X=x 时 Y 的分布」——切断了 X 的自然成因，只看 X→Y 的因果效应。do-calculus 给出从观察数据计算干预效果的代数规则。

倾向得分匹配（PSM, Propensity Score Matching）

观察数据中，接受处理的人和不接受的人可能本就不同。PSM 估计每个人「接受处理的倾向」，然后在倾向相近的人中匹配处理组与对照组——模拟随机实验。

工具变量（IV, Instrumental Variables）

当处理变量与混杂变量纠缠，找一个「只通过处理变量影响结果」的工具变量。例如用「离大学的距离」作为「上大学」的工具变量，研究教育对收入的影响——距离只通过影响上大学来影响收入。

断点回归（RDD, Regression Discontinuity Design）

当处理由某阈值决定（如分数 60 分及格），阈值附近的人几乎随机——比较 59 分和 61 分的人的结果差异，是因果效应的干净估计。

双重差分（DID, Difference-in-Differences）

有处理组和对照组，处理前后两期数据。假设「如果没有处理，两组趋势平行」——处理效应 = (处理组前后差) - (对照组前后差)。常用于政策评估。

学科直觉

因果推断的核心直觉是：相关是观察的产物，因果是干预的产物——两者数学上不同。

三个直觉：

1. 观察 ≠ 干预：看到「喝红酒的人长寿」不等于「让不喝的人喝红酒会延长寿命」——前者是观察 P(长寿|喝红酒)，后者是干预 P(长寿|do(喝红酒))。混杂变量让两者背离。
2. 随机实验是金标准但不可行时用准实验：随机对照实验（RCT）通过随机化切断所有混杂路径。但很多问题不能做 RCT（不能强制人吸烟）。上述五种方法都是在观察数据中模拟随机化的工程努力。
3. 每个方法都有识别假设：PSM 假设「所有混杂变量都被观测到」；IV 假设「工具只通过处理影响结果」；DID 假设「平行趋势」。假设不成立，结论就错——没有免费 lunch，准实验的可信度取决于假设的可信度。

跨学科应用

政策评估：因果推断的核心战场

「提高最低工资是否减少就业？」Card-Krueger 用断点回归（边界的快餐店 vs 非边界的）发现就业不降反升——颠覆传统经济学结论。没有因果方法，这类问题只能靠争论；有了因果方法，可以用数据说话。

投资策略：因果验证而非回测相关

「价值因子是否真能带来超额回报？」回测显示相关，但可能是数据挖掘的假象。因果验证：用样本外数据、不同市场、不同时间段——如果效应是因果的，应跨情境稳定；如果是过拟合，会消失。真正 alpha 需要因果机制——为什么这个因子应该有效？

商业：A/B 测试是简化的因果推断

A/B 测试本质是随机化实验——通过随机分配切断混杂。但很多商业场景不能随机化（不能随机给某些客户涨价）。此时用 PSM、DID 等准实验方法——从已有数据中估计「如果涨价会怎样」。

营销：渠道归因的因果问题

「是广告带来了转化，还是本来就会转化？」——这是因果问题。观察的「看了广告的人转化率高」可能是选择偏差（本来就要买的人更可能看广告）。IV 方法：用「广告随机投放的批次」作为工具变量，估计广告的真实因果效应。

练习题

单选题

案例题

某公司想评估「涨价 10% 对营收的影响」，但不能随机涨价。他们比较了去年已涨价的地区和未涨价的地区，发现涨价地区营收增长更多，得出「涨价提升营收」。请用因果方法批判。

参考答案：(1) 选择偏差：去年涨价的地区可能是市场强势地区（需求旺盛所以敢涨价），未涨价的可能是弱势地区。地区差异是混杂变量——直接比较是 P(Y|涨价) 而非 P(Y|do(涨价))。(2) DID 改进：用涨价前后的变化差异——如果两组在涨价前趋势平行，涨价后趋势分化，则差异可归因于涨价。但需验证「平行趋势假设」。(3) IV 改进：找一个「只通过影响定价决策但不直接影响营收」的工具变量——如原材料成本的地区差异（影响定价但不直接影响最终消费者需求）。(4) 结论：直接比较会高估涨价效果——强势地区本身就会增长。这道题揭示：观察数据的因果推断必须显式处理混杂，不能假设「两组可比」。

反事实题