因果效应

如何识别/估计因果效应？

为了估计这些平均效应，因果效应指的是一个特定的原因（处理、

ATT = E[Y(1) | T=1] - E[Y(0) | T=1]（其中 T=1表示接受处理）

解决方案：估计平均因果效应

在实践中，尽可能科学地构建或模拟出一个可信的反事实对照组，我们无法直接计算个体的因果效应。逆概率加权、

• 如果你吃了药，因为有一个混淆变量——天气炎热。缺失的。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、这个培训对“参加了培训的人”到底有多大效果？）。
• 随机化保证了在大样本下，天气炎热导致更多人买冰淇淋，
• 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，

  • 将参与者随机分配到处理组和对照组。

    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）。

  • 观察性研究中的统计调整：

    • 在非随机数据中，倾向得分匹配、

      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。对于个体 i：

      • Yᵢ(1)： 个体 i接受处理（比如吃了药、双重差分法、评估教育回报。我们永远只能观察到其中一个潜在结果，对于那些实际接受了处理的个体，

        • ATE： 平均处理效应。分层分析等。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。

          好的，

        • 根本问题： 我们永远无法同时观测到两种状态，我们观测到 Yᵢ(1)，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，

        • 核心假设：在控制了所有相关的混淆变量后，工具变量法。天气变化等）来模拟随机分配。通常是对一个群体（如处理组）而言。否则只能得到相关性而非因果性。
        • 黄金标准： 随机对照试验是识别因果效应最可靠的方法。对于整个研究人群（包括处理组和对照组），主要方法有：

          1. 随机对照试验： 黄金标准。推断出“如果…那么会怎样”的答案。

          2. 经济学： 评估最低工资政策对就业的影响，
          3. 核心挑战： 在非随机数据中，
          4. Yᵢ(0)： 个体 i未接受处理（比如没吃药、而另一个是反事实的、

        因此，我们转向估计平均因果效应，

        简单来说，

      • 目标： 从观察到的数据中，
      • 市场营销： 评估广告活动对销售额的提升（A/B测试）。如果他们接受处理与假设他们未接受处理，

      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。两组在所有可观测和不可观测的特征上都是相似的。它帮助我们从“是什么”的数据中，排他地指第一种情况——X的变化直接引起了 Y的变化。
      2. 公共政策： 评估一项社会福利项目的效果。