什么是 因果推断（Causal Inference）？
因果推断（Causal Inference）是定义并估计明确 Intervention 或 Treatment 会如何改变结果的过程，它依靠实验设计或显式假设，把不可同时观测的 Counterfactual Quantity 连接到观测数据。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
拟合模型前先设计 Target Experiment
应写清能够回答问题的假想实验：Eligibility、Assignment、Treatment Strategy、Outcome、Follow-up、Censoring 和分析人群。这能避免“参与度的效果”之类含糊结论，因为不同 Exposure Version 与时点并不等价。Hernán 与 Robins 的 Causal Inference: What If以明确因果问题和 Target-trial 思维组织观察性分析。
Identification 不是算法开关
只有设计和结构假设可辩护时，观测数据才能识别 Causal Estimand。Randomization 在设计上支持 Exchangeability；观察性研究通常需要足以阻断 Confounding Path 的 Treatment 前协变量，同时要求 Consistency 与 Positivity。灵活 Learner 可以减少函数形式误差，却不能发现缺失 Counterfactual、修复不可实施干预或证明没有遗漏 Confounder。
分别验证设计、估计器和决策
应检查 Treatment 与 Outcome 时间戳、Assignment Integrity、Overlap、Covariate Balance、Missingness、Interference、Attrition 和 Estimator Sensitivity。比较多种有依据的估计器，并在可用时加入 Negative 或 Placebo Control，再报告不确定性与 Transportability 边界。Refutation Test 能发现矛盾，但通过测试不能证明因果假设为真，也不能保证未来上线人群与研究人群一致。
主要特点
- 目标是 Intervention Contrast，而不只是预测关联
- 要求明确 Population、Treatment、Comparator、Outcome 与 Horizon
- 区分 Estimand 定义、Identification、Estimation 与 Validation
- 使用 Potential Outcomes、Causal Graph 或兼容结构框架
- 依赖不能仅由拟合指标认证的设计假设
- 必须报告不确定性、敏感性、Interference 与 Transportability
常见用途
- 估计产品干预是否改变用户留存
- 随机分配不可用时评估 Treatment
- 区分推荐策略效果与用户自选择效应
- 审计哪些 Treatment 前变量应进入 Adjustment Set
- 分析历史运行数据前设计 Target Trial
示例
Loading code...常见问题
因果推断与预测有什么区别？
Prediction 估计现有数据生成过程下的结果，可以利用任何稳定关联。Causal Inference 估计 Intervention 之间的对比。高准确率 Predictor 可能依赖对预测有效、对决定什么动作能改变结果却无效甚至有害的变量。
因果推断必须使用随机实验吗？
Randomization 通常是识别 Effect 最强的设计，但观察性设计也可以在显式假设和合适方法下支持因果估计。这些假设不是算法自动赋予的，需要 Domain、Timing 与 Design Evidence。
Identification 与 Estimation 有什么区别？
Identification 证明在声明假设下，Causal Estimand 可以写成观测数据分布的唯一函数；Estimation 再用有限数据近似该函数。更强的估计算法无法挽救尚未识别的 Estimand。
Causal Graph 能证明关系具有因果性吗？
不能。图会显式表达因果假设，并揭示可用 Adjustment Set 或假设蕴含的矛盾；箭头来自设计与领域知识，仅从观察数据拟合一张图并不能认证真实因果结构。
根据因果估计采取行动前应审查什么？
应审查 Target Population 与 Estimand、Treatment 和 Outcome 时序、Assignment Mechanism、Consistency、Interference、Exchangeability、Positivity、Missing Data、模型与 Fold 设计、不确定性、敏感性，以及部署人群是否匹配证据。