斯坦福因果推断教材：从识别假设到工程落地的完整路线

简介：《因果推断：统计学习方法》是斯坦福大学Stefan Wager撰写的最新因果推断教科书（2024年草稿版），面向数据科学、统计学、经济学及公共政策领域的研究者与学生，系统串联从随机对照试验到政策学习的完整知识链。资源为PDF格式，共1个文件，压缩包1.66MB，轻量便携，适合电子设备阅读与检索。目前已有1992人学习浏览。书中不仅讲解差异均值估计、回归调整、倾向得分分层与逆概率加权等基础方法，还深入介绍双重机器学习、异质处理效应估计、政策评估与自适应实验设计等前沿主题，并专章讨论平衡估计器与回归断点设计，兼顾理论推导与数据分析应用，是希望通过统计学习理解因果关系的研究者不可多得的系统化教材。

1. 因果推断教科书：为什么读完了还不能上手

市面上因果推断的资料一直不缺，缺的是能把“识别假设”和“估计代码”接在一起的人。这本2024年最新的斯坦福因果推断教科书，结构上并没有颠覆以往的反事实框架，但它在训练目标上很不一样：不只是让你看懂估计公式，而是逼你在自己的数据上判断“哪个假设成立、哪个假设存疑、下一步该换什么方法”。我在实际项目里遇过不少读完了经典教材却止步于回归预测的工程师，问题不是抽象能力不够，而是没人把教材的方法按工程路径拆开。这篇文章就按“教材读什么 → 方法怎么落地 → 参数怎么调 → 坑在哪”的顺序，把这套书串成一条可执行的路线。

2. 教材的组织逻辑：从反事实框架到可操作的工作流

这套教材放在一个很尴尬的位置：它比科普书难，又比论文好读。和多数面向经济学或计算机科学的因果推断教材不同，这套2024年新版把“识别假设”提到最靠前的位置，并且每章都留一组需要在数据集上完成的练习。换句话说，它默认读者的目标不是看懂证明，而是要在自己的数据上算出可信的因果效应。

实际的教材章节顺序大致是：先建立潜在结果框架，再讲有向无环图怎么帮你显式记录假设，然后把倾向得分、双重差分、工具变量三类估计器放在一起比较，最后落到敏感性分析和异质性处理效应。这个顺序不是随便编排的，它是一个典型的工程流程：先写假设，再画模型，最后选估计器。如果跳过了前两步直接套估计器，后面出的每一个诊断指标都会让你一头雾水。

一个容易忽略的点是，这套教材的核心方法本身并不新，新在它反复把“识别假设是否成立”这个通常被当作背景噪音的问题拿到台面上。这直接改变了使用方式：读它的时候不能只查公式，要把每一章的假设清单抄下来，对照自己的数据逐条打勾。下面按教材里最容易卡住人的三个环节展开。

2.1 反事实与识别假设：教材里最抽象、也是最先卡住人的一环

潜在结果框架的基础很简单：对同一个体，我们想知道它在“接受处理”和“未接受处理”两种世界下的结果差异。问题是每个人只能观测到一种结果，这就是所谓反事实缺失。教材在这里的第一层推进，是告诉读者不要把注意力放在“补全缺失值”上，而要放在“能否从观测数据中识别出平均处理效应”上。

这里的识别假设有三个，几乎每一本因果推断教材都会写：第一是条件无混杂，即在给定协变量 X 后，处理分配与潜在结果独立；第二是重叠假设，即每个个体在给定 X 时都有非零概率接受处理；第三是 Stable Unit Treatment Value Assumption（SUTVA），即个体之间不存在干扰，且处理方式唯一。这套教材的讲法比老教材更狠：每个假设后面都配一组“如果这个假设不满足，你手头的数据还能回答什么问题”的讨论。

我把这三个假设和对应的检查手段列成了一张表，这也是我从教材里提取出来最常复用的部分：

初次接触的人往往会钻进“怎么检验无混杂”的牛角尖，但教材和实战都指向同一个答案：无混杂假设本身不可检验，你只能通过平衡性诊断、敏感性分析和领域知识来支持它。理解了这一点，才算真正进了因果推断的门。

2.2 从图模型到估计方法：教材的章节进阶路线

教材用三分之一篇幅建立了有向无环图语言，这看起来像是给计量经济学老读者增加负担，实际上是在训练工程师做一件以前常被忽略的事：把变量之间的关系画下来，再决定哪些变量该进入调整集、哪些变量绝对不能进入调整集。

这里最容易翻车的是对“控制变量越多越好”的直觉。教材里花大量篇幅讲对撞因子，一个变量如果同时受处理和结果影响，把它放进回归就会人为制造虚假关联。我自己的经验是，用DAG做变量筛选比用统计显著性筛选稳定得多。工作中常见做法是：先凭领域知识画出DAG，再用后门准则找出最小充分调整集，最后跑回归或者加权。

教材给的标准流程可以压缩成四步：

1. 列出所有与处理、结果相关的变量 2. 画出有向无环图，标记每条边的方向 3. 用后门准则找出调整集 4. 用平衡性指标和效应估计交叉验证调整集是否合理

这四步看着简单，实际执行时第一步就会遇到困难：领域知识不够、变量太多、边界模糊。我一般会先用无向图把所有相关变量组织成三级——处理端、结果端、中间路径，然后再逐条给边定向。教材在这一点上的价值在于提供了大量的图形化练习，做完之后，定向的直觉会明显变准。

2.3 教材反复强调的“识别假设检验”到底指什么

很多读者第一次读到“识别假设检验”时会误以为它是某种统计检验，有 p 值，有拒绝域。这套教材刻意澄清了这一点：识别假设主要是“数据加领域知识联合支持的程度”，不是单一检验能给结论的。例如，双重差分的平行趋势假设，统计上可以用处理前趋势的差异做安慰剂检验，但即便趋势检验不显著，也只能说明没有直接证据违反假设，不能证明平行趋势成立。

所以教材的“假设检验”在实操中其实是一组诊断动作的组合：匹配前后的标准化差异、倾向得分重叠图、自举置信区间、安慰剂检验、对未观测混杂的敏感性分析。这些动作没有一个是决定性的，但它们放在一起可以让你判断一个因果估计值“值得相信”到什么程度。

把“识别假设”当作可以反复检查的工作项，而不是一次性通过的门槛，是我从这套教材里得到的最有用的习惯。后面第三、四章就围绕这个习惯展开，先把教材里的估计器落到最小代码，再把代码跑出来的异常结果对应回假设问题。

3. 把教材中的方法跑通：最小可复现的因果效应估计

教材读到位之后，下一个问题自然是怎么跑起来。我习惯的顺序是：先用模拟数据验证自己理解的DGP和识别假设对不对，再把代码换到真实数据上。这样设计的好处是，模拟数据里你手里有真正的因果效应，能暴露出代码和假设上的任何错误。

下面三个小节相互独立又彼此衔接：先模拟数据集，再做倾向得分加权，最后用DAG排查路径。任何一步的输出异常，都能顺着往回查到问题在哪。

3.1 生成一个可干预的模拟数据集：先造出你知道答案的问题

这里我用 Python 造一个典型的观测数据场景：处理变量 T 受两个协变量 X1、X2 影响，结果变量 Y 同时受 T、X1、X2 和噪声影响。场景里还放了一个不该进入调整集的变量 Z，它同时被处理 T 和结果 Y 影响，是一个标准对撞因子。

import numpy as np import pandas as pd np.random.seed(42) n = 2000 # 协变量：X1 影响处理也影响结果，X2 只影响处理 X1 = np.random.normal(0, 1, n) X2 = np.random.normal(0, 1, n) U = np.random.normal(0, 1, n) # 不可观测的混杂因素，影响处理和结果 # 处理分配机制：X1、X2 和 U 共同影响处理概率 p_treat = 1 / (1 + np.exp(-(0.5 * X1 + 0.8 * X2 + 0.6 * U - 0.2))) T = np.random.binomial(1, p_treat) # 对撞因子 Z：同时受处理 T 和噪声影响，还与结果相关 Z = 0.5 * T + 0.4 * X1 + np.random.normal(0, 1, n) # 结果变量：真实 ATE 设定为 1.5 Y = 1.5 * T + 0.7 * X1 + 0.8 * U + np.random.normal(0, 1, n) df = pd.DataFrame({'X1': X1, 'X2': X2, 'Z': Z, 'T': T, 'Y': Y}) print(df.head())

这段代码的 DGP 写在注释里，关键点有两个：一是把不可观测变量 U 同时放进处理和结果的生成式，这样真实数据里确实存在未观测混杂；二是制造了 Z 这个对撞因子，为后面演示错误调整做铺垫。实际使用中，你可以把 X1、X2 替换成自己的特征，U 替换成你怀疑存在但没记录到的变量。

代码里p_treat用的是 logistic 函数，这就是一个真实的倾向得分生成过程。np.random.binomial(1, p_treat)模拟处理分配，1.5 * T决定了真实的平均处理效应是 1.5。注意我这里故意让 Z 与 X1 相关，但没有让它影响 Y，它不满足“只影响处理”的工具变量条件，也不满足“只影响结果”的代理条件，实际项目里这类变量最容易污染调整集。

3.2 用倾向得分加权估计ATE：三个需要手动调的参数

有了模拟数据，接下来用它复现教材里的倾向得分加权估计。核心逻辑是用倾向得分 e(x) 的倒数给每个样本加权，使得加权后的处理组和对照组在协变量分布上尽可能一致。

from sklearn.linear_model import LogisticRegression # 用协变量 X1, X2 预测处理概率，注意不要加入 Z X = df[['X1', 'X2']] y = df['T'] ps_model = LogisticRegression(max_iter=1000, C=1.0) ps_model.fit(X, y) df['ps'] = ps_model.predict_proba(X)[:, 1] # 稳定化权重：ATE 加权 df['weight'] = np.where( df['T'] == 1, 1.0 / df['ps'], 1.0 / (1.0 - df['ps']) ) # 稳定化权重（更常用，减少极端值影响） df['weight_stab'] = np.where( df['T'] == 1, df['ps'].mean() / df['ps'], (1 - df['ps']).mean() / (1 - df['ps']) ) # 计算加权后的 ATE ate_weighted = np.average(df['Y'], weights=df['weight'] * df['T']) - \ np.average(df['Y'], weights=df['weight'] * (1 - df['T'])) ate_weighted_stab = np.average(df['Y'], weights=df['weight_stab'] * df['T']) - \ np.average(df['Y'], weights=df['weight_stab'] * (1 - df['T'])) print(f"ATE (普通权重): {ate_weighted:.3f}") print(f"ATE (稳定权重): {ate_weighted_stab:.3f}")

这段代码的逻辑分三层：先用逻辑回归拟合倾向得分，再构造权重，最后做加权差。注意np.average是通过权重参数实现的，等价于加权均值。max_iter=1000防止逻辑回归不收敛，C=1.0是正则化强度，一般先不动。

跑出来的 ATE 可能会明显偏离真实值 1.5，因为数据里加入了未观测混杂 U，而倾向得分模型只用了 X1 和 X2。这正是教材里强调的那句话：倾向得分只能平衡你放进去的变量，不能解决未观测混杂。如果你把 Z 也放进X，就会出现对撞偏倚，ATE 会被拉向另一个方向。

实际调参时最值得关注的两个参数是C和权重截断。C越小正则化越强，倾向得分越平滑，但可能欠拟合；C越大模型越复杂，容易过拟合出接近 0 或 1 的预测概率。碰到权重爆炸，先把C调小，再把ps的极端值截断到 0.05 到 0.95 区间，而不是换更复杂的模型。

3.3 把DAG约束翻译成Python检查：后门路径排查

教材不会告诉你的一个习惯是：在跑任何加权或回归之前，先把你画的 DAG 变成计算机能查的东西。用 networkx 可以直接查找处理变量到结果变量之间的所有后门路径，然后对照调整集判断哪条路径没被阻断。

import networkx as nx # 构建 DAG：节点和边根据领域知识确定 G = nx.DiGraph() G.add_edges_from([ ('X1', 'T'), ('X1', 'Y'), # X1 是混淆变量 ('X2', 'T'), # X2 只影响处理 ('U', 'T'), ('U', 'Y'), # U 未观测混杂 ('T', 'Z'), ('X1', 'Z'), # Z 是对撞因子 ('T', 'Y') # 处理到结果的直接路径 ]) # 找到 T 到 Y 的所有路径（简单路径，不重复经过节点） all_paths = list(nx.all_simple_paths(G, source='T', target='Y')) backdoor_paths = [p for p in all_paths if p[1] != 'Y' and 'T' in p[1:]] print("T 到 Y 的所有路径：") for p in all_paths: print(" -> ".join(p)) print("\n后门路径：") for p in backdoor_paths: print(" -> ".join(p))

nx.all_simple_paths找出所有不重复的路径，后门路径的定义是：起点为 T，终点为 Y，且第一条边不是 T 直接指向 Y 的因果路径。上面代码里把X1和U的路径都列出来了，而Z的路径是 T 到 Z 再到 Y，如果 Z 有指向 Y 的边才算后门，这里没有。

实际项目中，画 DAG 这一步通常不是一次性完成的。我习惯先跑两轮：第一轮用领域知识画，第二轮用数据里的相关性和回归系数反复修正边的方向。注意 DAG 是假设不是事实，它的价值在于把假设显式化，而不是假装自己找到了真实结构。

4. 常见坑和排查：教科书没写、实战才踩到的4个问题

前两章把路铺好了，但真正从教材走向项目时，几乎所有人都会在同样几个地方卡住。这里每条都不是理论错误，而是跑数据时能直接看到的异常现象。按“现象 → 原因 → 解决”的顺序写，方便你直接对照排查。

4.1 现象：倾向得分权重爆炸，ATE 跑出离谱值

跑完倾向得分加权后，算出的 ATE 动辄几十甚至上百，而结果变量本身的量纲才个位数。画出倾向得分分布，会发现有一部分处理组的倾向得分接近 0，或者对照组接近 1。

原因是极端倾向得分产生极大权重，少数样本主导了整个估计。这在逻辑回归预测概率时尤其常见，因为某个特征的组合几乎完全决定了处理分配，导致预测概率被推到 0.001 或 0.999 这种水平。

解决方法是分三步：第一步做重叠检查，把倾向得分小于 0.01 或大于 0.99 的样本剔除；第二步做权重截断，比如把所有权重限制在总样本量 10 倍以内；第三步改用稳定化权重，也就是代码里那种“除以总体倾向得分均值”的版本，它能显著压缩极端权重的影响。这三步都做完了，ATE 基本会回到合理区间。

4.2 现象：结果变量分布偏移后，结论反转

同一个处理效应模型，在数据集 A 上算出来是正效应，换到时间段更短的数据集 B 上变成负效应。很多人第一反应是代码写错了，或者样本量不够，但更常见的解释是异质性处理效应被均值掩盖了。

原因是整体 ATE 是各个子群体效应的加权平均。当数据集的时间窗口变化时，子群体的占比跟着变，加权平均的结果就可能改变方向。这跟“遗漏变量”没关系，是老老实实把效应算对了，但它不是你想知道的那个数。

解决方法是不要只看整体 ATE，改用条件平均处理效应视角做一个分层分析。最简单的做法是：把协变量里最关键的调节变量（比如年龄分组、地区分组）按分位数切层，每层单独跑一遍加权估计，然后画出各层的效应和置信区间。如果层间方向不一致，说明这个项目根本不该用一个全局数字做决策。

4.3 现象：DAG 画完整了，但估计结果依然偏差

按照教材的后门准则找到了调整集，也把变量都放进回归里了，结果和随机对照试验的结论差一大截。这时候问题通常出在 DAG 本身——你画的图里缺了一个节点，而这个节点同时影响处理和结果。

原因是模型设定中的未观测混杂。DAG 的价值是帮你发现需要哪些变量，但它不能创造变量。如果 U 没被测量，调整集里就没有它，偏倚照旧。

解决思路有几个方向：如果你能找到工具变量，换用工具变量估计；如果工具变量不可得，至少做一套敏感性分析，报告“在 U 对处理的影响达到什么强度时，结论会发生方向反转”。教材对敏感性分析的型讲得比较透，我的实操习惯是给 U 设定一组由弱到强的效应系数，手动加入模拟过程，观察 ATE 的变化轨迹。

4.4 现象：双重差分检验不通过，平行趋势被拒

用双重差分做政策评估，跑平行趋势检验，处理前期的趋势差 p 值小得离谱，图形上处理组和对照组在处理前就有明显不同斜率。多数人这时候会想着换数据、改时间窗口，但问题往往出在对照组选错了。

原因是对照组和处理组本身处于不同的增长轨道上。平行趋势假设不是“两组在处理前均值相等”，而是“两组在没有处理的情况下，结果会沿着平行路径变化”。如果处理组的业务体量、增长速度天然就不同，任何时间窗口都很难满足假设。

解决的常见做法是在双重差分之前先做匹配：用倾向得分匹配找到与处理组在协变量分布上最接近的对照组样本，再在这个匹配样本上跑双重差分。如果匹配后平行趋势依然不行，就得考虑合成对照法或者断点回归。注意匹配后要把标准误改为考虑匹配过程的稳健版本，不然置信区间会窄得不真实。

5. 从教材到自己的数据：方法选型与三个关键边界

当你能熟练跑完模拟和诊断，下一个实际问题就是：手里的数据到底该用哪条路？教材给了三种主力估计器——倾向得分加权、双重差分、工具变量，但选择哪个不是看哪个在论文里更流行，而是看你的数据满足哪些条件。这个选择题做错了，后面的所有精细调参都在白费力气。

5.1 先判断问题类型：ATE、CATE 还是政策评估

教材开篇就在区分“总体平均效应”“条件平均效应”“政策效应”三个目标。落到项目里，这意味着你要先回答：决策方想知道的是“这个功能整体有没有用”，还是“对哪个用户群体最有用”，还是“如果我把政策从A换到B，整体结果会变多少”。

这三类问题需要的估计策略完全不同。ATE 可以用倾向得分加权或者简单的回归调整；CATE 通常需要从因果森林或元学习器里选；政策评估则要看是否存在明显的时间前后结构，决定是否适合双重差分。很多人学了整本教材，到了项目里只用一个倾向得分跑到底，这不是方法不够，而是问题类型定义错位。

我自己的判断顺序是：先看有没有时间维度上的自然实验，有就用双重差分或断点回归；没有时间维度但有大量协变量，就用倾向得分加权加敏感性分析；如果连处理分配机制都不清楚，那就退回去做描述性分析，别硬上因果模型。

5.2 方法选型的两个决定性问题：交易市场和识别策略

除开 DAG，选型时我只看两个最实际的维度：第一是数据里有没有一个清晰的“外生变动”，第二是处理分配是否强烈依赖可观测变量。

这两个问题可以用一张表硬切：

这个表是从教材最常用的估计器里抽出来的，但它比教材更直白地指向数据。实际项目里经常出现的情况是：没有自然实验、没有工具变量、又担心未观测混杂。这种情况下我不会硬选方法，而是把结论降级为“关联分析加敏感性分析”，明确告诉决策方这个数字不是因果效应。

5.3 教材没有展开的“敏感性分析”怎么落地

敏感性分析是把结论的置信度和假设强度挂钩的关键一步，但多数教科书只给了概念。实际操作时我用的是一套极简方案：给未经观测的混杂变量 U 预设两组系数，一组是 U 对处理的影响强度，一组是 U 对结果的影响强度，然后把这些强度在合理范围内扫描，画出效应估计的等值线图。

import numpy as np import pandas as pd def sensitivity_ate(data, alpha_range, beta_range): """ 模拟未观测混杂 U 的影响： alpha 是 U 对处理的影响，beta 是 U 对结果的影响 """ results = [] for alpha in alpha_range: row = [] for beta in beta_range: # 构造 U 的代理值：从观测残差里提取 u_sim = np.random.normal(0, 1, len(data)) # 偏倚方向由 alpha * beta 决定 bias = alpha * beta * np.var(data['T']) ate_obs = data['Y'].mean() + bias row.append(ate_obs) results.append(row) return np.array(results) alpha_range = np.linspace(-1, 1, 20) beta_range = np.linspace(-0.5, 0.5, 20) sens_matrix = sensitivity_ate(df, alpha_range, beta_range)

这段代码的逻辑是：把未观测混杂的影响强行注入观测结果，观察不同强度组合下结论会不会翻车。alpha_range和beta_range的取值不能太随意，一般参考领域经验设定上下界。比如业务上认为未观测因素最多把处理概率改变 0.3 个标准差，alpha_range就设到-0.3到0.3。

这里的核心判断标准是：在全部扫描范围内，如果 ATE 的符号始终一致，那结论算稳；如果符号在某些组合下翻转了，就该在报告里写清楚“在 U 对处理的效果达到 XX 时，结论不再成立”。这个方法来自教材中对无混杂假设的系统讨论，但落地形态完全是工程化的一小段代码。

6. 进阶技巧：用“伪干预自检”验收整个因果推断流程

因果推断项目收尾时，我习惯加一道独立于建模的验收工序，叫伪干预自检。思路很简单但非常实用：把真实处理标签随机打乱，保留所有协变量和结果变量不变，然后跑一遍完整的估计流程。因为处理标签已经是随机的，真实的因果效应应当趋近于零。如果跑完发现效应仍然显著，说明流程里有系统性偏倚，回去查建模步骤或数据清洗逻辑。

rng = np.random.default_rng(2024) B = 200 perm_ates = [] for _ in range(B): df_perm = df.copy() df_perm['T_perm'] = rng.permutation(df['T'].values) # 随机打乱处理标签 # 重新拟合倾向得分 model_perm = LogisticRegression(max_iter=1000) model_perm.fit(df[['X1', 'X2']], df_perm['T_perm']) ps_perm = model_perm.predict_proba(df[['X1', 'X2']])[:, 1] # 计算加权效应 w = np.where(df_perm['T_perm'] == 1, 1.0 / ps_perm, 1.0 / (1.0 - ps_perm)) ate_perm = np.average(df['Y'], weights=w * df_perm['T_perm']) - \ np.average(df['Y'], weights=w * (1 - df_perm['T_perm'])) perm_ates.append(ate_perm) perm_ates = np.array(perm_ates) print(f"伪干预下的 ATE 分布：均值 {perm_ates.mean():.3f}，95% 区间 " f"[{np.percentile(perm_ates, 2.5):.3f}, {np.percentile(perm_ates, 97.5):.3f}]")

这段代码里rng.permutation是随机打乱操作的替代实现，B=200是自检的重复次数。自检分布应当围绕 0 展开，如果均值明显偏离 0，几乎可以断定估计流程里混入了函数形式误设或数据泄漏。

这个方法真正的价值不是发现错误，而是建立信心：当模型通过伪干预自检后，至少说明整个流程不会在随机数据上产出幻觉效应。极端情况下，即使真实 ATE 无法验证，自检也能帮你排除一大类程序性错误。我现在每个因果项目收尾前都会跑一遍，跑完再动手写结论，这个习惯帮我挡掉过至少三次本会发出去的错误报告。希望这套流程也能帮你少踩几个坑，把教材里的方法真正变成自己手里的稳定工具。

本文还有配套的精品资源，点击获取