因果推断学习笔记：从潜在结果到识别策略的实用指南

做数据分析这行久了，总会撞上一种尴尬：业务方拿着一张趋势图过来说“你看，功能上线后活跃度涨了，这肯定是功能的功劳”。你心里知道这话经不起推敲——也许不推这个功能，活跃度也会涨；也许只是恰好赶上旺季；也许那批高活跃用户根本不是功能吸引来的。但你要是只回一句“相关不等于因果”，又显得像个只会背定义的复读机。因果推断（causal inference）就是专门回答这类问题的工具箱：在没有做A/B测试、或者实验根本做不了的条件下，如何从观测数据里把“干预的净效果”拆出来。

这篇笔记是某博士因果推断学习笔记的上篇，核心是梳理因果推断的框架性知识和主力方法：潜在结果与结构因果模型两条底层路线，以及随机实验、匹配、双重差分、断点回归、工具变量、合成控制这几种最常用的识别策略，最后附上一份文献速览地图。适合刚开始啃因果推断的数据分析师、量化研究员和社科方向的同学参考，目标是用一篇笔记的时间建立起整棵知识树的主干，以后再往里填细节时才不容易迷路。

1. 为什么需要因果推断：相关不等于因果的实战场景

1.1 “转化率涨了，凭什么不是活动的功劳”——归因困境

假设运营部门在3月做了一次大促，当月下单转化率比2月高了0.8个百分点。能不能直接说“大促带来了0.8个点的提升”？不能。至少有三股力量混在这0.8个点里：一是季节效应，3月本身就是行业惯例的春季回暖期；二是用户结构变化，运营部门在活动前加强了新客投放，新客转化率天然和存量用户不一样；三是竞争环境变化，竞品同期在收缩投放，流量被动回流。这些因素和“是否做了活动”混杂在一起，会同时影响你的处理变量和结果变量，统计上把它们称为混淆变量。由混淆导致的系统性偏差，是观察性因果推断要对付的头号敌人。

我们真正想回答的问题是“假如没有这个大促，3月的转化率会是多少”——这在观测世界里不存在，只能靠推演。你永远只能看到“做了活动”或“没做活动”中的一种情况。因果推断的整套语言，就是围绕这种“看不见的另一条时间线”建立起来的。

1.2 从相关到因果的思维转换：改问“What if”

相关性问的是：X和Y是不是一起波动？因果性问的是：如果我强行把X改一改，Y会跟着变多少？举个经典例子：冰淇淋销量和溺水人数高度相关，但吃冰淇淋并不会导致溺水，共同原因是夏天。夏天的到来同时推高了冰淇淋销量和下水游泳的人数，如果只看相关，你会得出一个荒谬的政策建议：禁止卖冰淇淋来减少溺水。

因果推断要求把问题改写成干预形式：“给所有人发放补贴，会让他们多花多少钱？”“把广告预算从渠道A转移到渠道B，能带来多少额外转化？”“让患者提前一个月开始服药，存活率会不会提高？”一旦问题变成“What if”，你就不是在描述世界，而是在模拟干预后的世界。这个思维的转换，是数据分析师从“做报表”走向“辅助决策”的分水岭。

1.3 因果推断能做什么、不能做什么

因果推断能做的，从窄到宽大致是：估计平均处理效应（某项干预对总体人群的平均影响）、估计异质性处理效应（哪些人受益最多、哪些人反而受损）、做敏感性分析（结论在多大程度上依赖未观测到的假设）、设计观察性研究来模拟随机实验。它也能帮助你在一开始就把问题定义清楚：到底该控制哪些变量、不该控制哪些变量，哪些数据是多余的，哪些数据缺失了会要命。

但它不能做的同样重要。因果推断不可能从观测数据里凭空保证结论正确——所有方法都建立在一组可检验或不可检验的假设之上。假设合理，结论有说服力；假设被推翻，再花哨的模型都只是精致的垃圾。这不是悲观，而是提醒你：因果推断的功夫，一半在模型里，另一半在研究设计和假设论证里。

2. 因果推断的两大底层语言：潜在结果与结构因果模型

2.1 潜在结果框架：一个人的两种人生

潜在结果框架（Potential Outcomes Framework）用两个符号定义因果：(Y(1)) 表示个体接受处理后会出现的结果，(Y(0)) 表示同一个体未接受处理时会有的结果。个体因果效应就是 (Y(1) - Y(0))。但这里有个根本困难：任何一个人在同一时刻只能处于一种状态，你看到吃了药的张三，就永远看不到没吃药的张三。这就是著名的反事实问题。

好在大多数决策并不需要知道每一个具体个体的效应，只需要知道群体平均的效应ATE，即 (E[Y(1) - Y(0)])。随机实验之所以是黄金标准，是因为随机分组让两组在处理之外的特征上“可交换”，于是处理组的平均结果减去对照组的平均结果，恰好就是ATE的无偏估计。观察性研究里没有随机化，研究者就退而求其次：在“给定可观测协变量后，处理组和对照组可交换”的假设下，用匹配、加权、分层等手段去近似随机分组。

2.2 结构因果模型与有向无环图：画出变量之间的关系

结构因果模型（Structural Causal Model, SCM）换成可视化的语言就是有向无环图：每个节点是一个变量，每条箭头表示一条因果方向，箭头从原因指向结果。图的好处是把“该控制什么”变成了一道几何题。

关键操作是干预算子 (do(X=x))。观察数据里的 (P(Y|X=x)) 是在“X自然取值”条件下的分布，而 (P(Y|do(X=x))) 是在“强制所有人把X设为x”条件下的分布，两者通常不相等。用刚才的例子：观察数据里“常锻炼的人更健康”，也可能是“本来就健康的人才有精力锻炼”，这两句话对应的因果方向完全不同。只有切掉外界指向X的箭头、强制让X变化之后，Y的变化才是X的因果效应。什么变量该控制、什么变量不能控制，图模型给了非常直观的答案——控制混淆路径上的变量，但不要控制中介变量，更不要控制对撞变量。这些规则用裸公式推导很绕，画成图却是一目了然。

2.3 两派怎么选：不同视角下的取舍

潜在结果框架从实验出发，它最早的落地场景就是随机实验和临床试验，习惯用“处理、对照、协变量、分配机制”这套词。结构因果模型从图出发，擅长表达多变量之间的复杂结构，在“能否从整体结构里识别出某一个效应”这类问题上更强。做实证研究的人通常建议先把潜在结果框架打底，因为它和实验直觉贴得最近，理解匹配、加权、DID都顺理成章；图模型则可以作为第二语言，在做偏差分析、决定控制变量清单时非常高效。两派在近十年里已经高度融合，很多现代论文一边画DAG说明识别策略，一边用潜在结果记号写估计量，你不需要二选一。

3. 因果效应的识别策略版图：实验思想如何落地到数据

3.1 随机实验：黄金标准，但现实会打脸

随机实验之所以是黄金标准，是因为它把“可交换性”这个核心假设直接做出来了。只要随机化被严格执行，处理组和对照组在期望意义下除了处理状态以外没有系统性差异。但现实里，随机实验经常做不成或做不好：成本太高，样本量撑不起小效应的检验；伦理不允许，你不能随机让一组人去做危险行为；时效不够，你等不及完整实验周期；还有外部效度问题——实验样本是一批人，推广到全量用户时结论可能不适用。

所以因果推断方法的大部分篇幅，都在讨论一个核心命题：如果随机实验做不了，我能不能通过某种设计，在观测数据里“模仿”出随机实验的效果？下面四种策略就是这个思路下的产物。

3.2 倾向评分与匹配：再造一个“准对照组”

匹配的思想很朴素：想评估某个处理的效果，就在没接受处理的人群里，找那些“如果当初大概率也会接受处理”的人当对照组。问题是协变量一多，直接按所有变量匹配会碰到维度灾难。倾向评分把这个难题化解了：先估计每个人接受处理的概率 (e(x)=P(A=1|X=x))，再把倾向评分相近的人放在一起比，处理组和对照组在协变量分布上就趋向均衡。

实际操作中还要盯住两个细节：一是共同支撑域，如果某些处理组的倾向评分在对照组里根本找不到对应的人，这些样本不是在“比较”，而是在“外推”，必须剔除或降权；二是不要为了追求均衡把处理变量本身放进倾向评分模型，那会导致过度调整，反而引入新的偏差。倾向评分不是灵丹妙药，它的效果上限取决于“无未测混淆”假设——如果你的混淆变量没被测量到，任何匹配技巧都救不回来。

3.3 双重差分：利用时间维度的“前后对照”

双重差分（DID）的思路是：虽然处理组和对照组在处理前不完全一样，但假设它们在没有处理的情况下会沿着同样的趋势走。于是先用对照组的前后变化“估计”掉时间趋势，再把这股趋势从处理组的前后变化里减掉，剩下的就是处理效应。这个“平行趋势”假设是整个DID的命根子。

DID的实战场景非常典型：某个平台在某一天针对特定城市上线了新改版，这时可以用邻近未改版的城市做对照。取改版前后的数据各一截，处理组的差值减去对照组的差值，就是改版的净影响。DID的扩展很多，比如事件研究法把单一前后比较展开成多个时间点的动态效应，可以检验平行趋势假设是否成立。最怕的是政策冲击和分组本身相关，比如“被选中改版的城市本来增速就更快”，那平行趋势一开始就是假的。

3.4 断点回归：让规则替你做随机

断点回归（RDD）利用的是“某个连续变量超过阈值就进入处理组”的制度规则。比如考试成绩超过60分就能获得奖学金，那60分附近的学生，本质上没差多少，却因为一个硬性规则被分到了不同组。在阈值附近，处理几乎是随机的，于是可以对局部样本做因果推断。

RDD分为精确断点和模糊断点。精确断点里，阈值完全决定处理状态；模糊断点里，超过阈值只是增加进入处理组的概率，需要用工具变量式的做法去估计。实操中要检查两个地方：一是阈值附近是否有人为操纵（比如成绩恰好卡在60分的人异常多），如果分数线附近样本密度有明显突变，随机性假设就站不住脚；二是带宽选择，带选得太大，偏差变大；带选得太小，方差变大。RDD得到的效应是“阈值附近人群的局部平均处理效应”，解释时千万别推广到全人群。

3.5 工具变量：找一个“只通过X影响Y”的遥控器

工具变量（IV）是处理内生性最猛的工具。它的直觉是：X里有一部分变异是被混杂因素污染的，我们需要找到另一个变量Z，它能够驱动X变化，但除了通过X这条路径之外，对Y没有直接影响，也不和未观测混淆相关。找到这样的Z，就相当于一个“遥控器”，按一下它，X动，而Y跟着动的部分就是干净的因果信号。

举个例子，研究教育年限对收入的影响时，人本身的潜质（未观测的）同时影响教育选择和收入，直接回归会有偏。距离学校的远近就是一个经典的工具变量思路：住得离学校近，上学的成本低，教育年限更可能更长；而住址本身不该直接影响成年后的收入。IV的问题是“排他性”假设很难验证，很多所谓工具变量只是在讲故事。另外弱工具变量会带来巨大的估计偏差和标准差膨胀，实操中必须检查第一阶段F统计量。

3.6 合成控制：没有好对照时自己“造”一个

合成控制（Synthetic Control）方法适合那种“只有一个处理单位，找不到满意对照组”的场景。做法是从一堆候选对照地区中选出权重，加权拼出一个“合成版”处理单位，让它在处理前的各项特征和处理单位尽量贴合，然后用这个合成对象预测处理期反事实走势。对比实际值和反事实值的差距，就是政策效应。

这是双重差分思路的升级版，在区域政策评估里用得非常多。它的一大优点是让人看到“如果没有政策，这个地区本来会长什么样”——这种反事实可视化非常有说服力。局限也明显：对照组池需要足够大且与处理单位同质，如果没有任何一个池成员能近似处理单位的行为，合成效果就是空中楼阁。

3.7 选型对照：不同识别策略的适用结论

选策略不是选“最高级”的，而是选“最匹配数据结构”的。判断标准一句话：为了让手头数据的识别假设尽可能可信，哪种设计的假设最少、最可辩护，就优先用它。

4. 文献速览：从奠基之作到前沿方向的阅读地图

4.1 框架性奠基文献：先把“因果问题”本身定义清楚

因果推断的现代框架大致有两个源头。一个是上世纪七十年代在统计学界逐渐成形的潜在结果语言，它用两种“平行世界”的结果来定义因果效应，直接催生了后来在生物统计和社科领域被广泛使用的反事实框架；另一个是八十年代到九十年代逐步完善的图模型路线，它把因果假设画成有向无环图，把“干预”形式化为一种特殊运算，让研究者能从图的结构直接判断哪些变量该控制、哪些不该控制。

找原始文献时，我建议用“潜在结果”、“反事实”、“因果图加干预”这类关键词组合去检索，顺着综述的脚注往回找经典篇目，比一上来就按人名去搜资料库要容易得多。读这些奠基文献不用逐行推导，重点抓住三件事：它定义了什么问题、提出了什么记号、解决了当时什么争论。

4.2 识别策略的经典文献：每种方法都有“开山之作”

每一种识别策略背后都有一批里程碑式的工作。匹配方向上，提出利用倾向得分把高维协变量压缩成一维的做法，让匹配在实际项目中突然变得可操作，后续的加权与分层方法大多可以视为它的变体。双重差分方向的经典文献把“自然实验”带入主流视野，研究者不再只能依赖人为随机化，而是可以利用制度变化、政策调整形成的近似随机分组。断点回归方向的奠基性工作把设计思想从实验室搬到观测数据里，之后的大量应用证明它在教育、劳动、公共管理等场景都相当出效果。工具变量方法的历史则更长，它的核心识别思路在上世纪中后期就已经有完整表述。

阅读这类文献时，不要按时间顺序全读，而是先读该方法的综述章。综述里一般会用一张表格总结哪些论文提出了关键假设、哪些论文做了第一例应用、哪些论文补上了理论缺失，按图索骥效率高很多。每篇经典文献看三遍：第一遍看摘要和引言的识别策略图景，第二遍看假设在定理中的位置，第三遍看应用部分怎么用数据检验这些假设。

4.3 应用典范：看别人怎么把方法用起来

方法最终要在数据里见真章。应用文献我重点看三类：经济学侧重政策评估，经典场景包括教育投入、劳动力市场制度、区域政策等，特点是样本量大、识别策略干净；公共卫生领域关注暴露因素的效应，经常要和生存数据结合，对敏感性分析的要求特别高；营销与互联网行业则关心增长策略、补贴投放、广告触达的因果效果，特点是AB测试与观测数据长期并存。

读应用文献时我关注三个点：作者怎么论证识别假设、怎样做稳健性检验、审稿人最容易攻击哪个环节。把这三点看懂，再回到自己的项目里对照，比单纯背公式有用得多。很多应用论文的“识别假设论证部分”写得像侦探小说，从数据收集过程、制度背景、样本特征三个方面互相印证，这种论证习惯是单人学习者最该模仿的。

4.4 综述与教科书：一份不踩雷的书单和阅读顺序

入门阶段找写给社科背景的因果推断导论，这类书公式少、术语直观，适合先建立整体直觉。第二步看计量经济学方向的教材，专门啃潜在结果与识别策略的章节，把估计量的推导补上。第三步可以接触图模型视角的专著，重点理解干预算子和反事实的统一框架。手边再放一本“方法百科”式的工具书，每种方法单独一章，写作时当字典翻。

阅读顺序上，不要试图通读一本书再做项目，那是学生思维。更现实的路径是：先读前四章建立框架感，然后立刻回到自己手头的数据上，尝试把一个问题用因果语言写清楚，再按需要查具体方法的章节。以问题驱动读书，一本书可以读三个月，但每一章都真的用上了。

4.5 前沿方向：机器学习与因果推断正在交汇

最近几年的高活跃度方向有几个：异质性处理效应，用树模型、森林类方法估计“哪些人效果好、哪些人没效果”的分组结构，这正好呼应业务里的个性化运营；因果关系发现，即从观测数据里自动推断变量之间的因果结构，把画图这件事部分自动化；敏感性分析，系统评估“如果未测混淆存在于某个强度，结论会不会翻盘”，近年围绕E值这类工具形成了新的标准；外部有效性，研究如何把局部样本的效应条件外推到更广目标总体。这些方向正是因果推断笔记下篇打算继续整理的内容，届时会逐一把方法和代码实现铺开。

5. 给实操者的四条建议：学习路径、工具、误区和笔记法

5.1 一条合适的学习路径：从提问到复现

学因果推断最忌讳一上来就刷公式。我的建议是三步走。第一步，练“翻译”：把业务问题改写成因果问题，明确目标量是ATE、ATT还是CATE，画出待检验的DAG，写清楚处理、结果、混淆、中介变量各是什么。第二步，学策略：不必同等精力学所有方法，先挑一种跟你业务数据结构最贴近的做精，比如你有面板数据就优先搞透DID，你有制度性阈值就主攻RDD。第三步，做复现：找有公共数据的经典论文，复现它主要表格里的估计结果，再试着换一种识别策略，比较结论的差异。这一步做完，你对方法的理解和仅停留在公式层面的感受截然不同。

5.2 工具选择与效率工具

Python生态和R生态都能覆盖因果推断的主流操作，无非是估计器、图模型可视化、敏感性分析、数据加载这四类功能。我的建议是不要囤积工具包，固定使用一两个熟悉的环境把流程跑顺，然后围绕它写自己的模板函数。日常练手按“三类数据”分配精力：推导公式用纸笔，模拟实验用合成数据，真实分析用实际业务数据——三者缺一不可。

效率上最值得投入的是搭一套“标准分析流程模板”：拿到一个因果推断问题后，按描述统计、识别假设论证、主估计、稳健性检验、敏感性分析、反事实可视化、报告输出的顺序走。模板的好处是把容易遗漏的步骤固化成习惯，比如描述统计阶段就得展示处理组和对照组的协变量平衡表，这一步做扎实了，后续估计才有底气。

5.3 常见的四个误区

误区一是把预测模型当因果模型，用特征重要性或者SHAP值的大小去解释因果效应，两者逻辑完全不同；误区二是控制变量越多越好，把中介变量和对撞变量一股脑塞进回归，会造成过度调整偏差和选择性偏差，正确做法是回到DAG去判断每个变量的位置；误区三是只看P值不看效应量，因果推断报告的核心是置信区间的宽度和估计值的方向，显著不等于重要；误区四是等到分析阶段才补救，数据采集阶段没有设计好关键协变量、没有记录分组规则，后面用什么方法都白搭。

5.4 我是怎么做这套笔记的

这套笔记目前用卡片式记录法：每种方法一张卡片，厚度不等，内容固定包含定义、识别假设、估计思路、代码模板、常见坑位、文献来源。卡片不是一次写成的，每做一个新项目就往对应卡片里补充一处“这次数据分析里真实踩过的坑”。过几个月再回头看，有些卡片会被改得面目全非——这说明理解升级了，反而是好事。

写到这里，这套笔记的上篇就暂告一段落。对我个人来说，最大的感受是：因果推断不像机器学习那样“跑通一个模型就完事”，它的每一步都在跟假设搏斗，而这种搏斗恰恰是它最有魅力的地方。下一篇笔记我会接着整理中介分析、敏感性分析和机器学习方法在因果推断里的具体实现，到时候再继续分享。