ml-causal-inferencelisted

# 因果思维入门决策链 — 先判断问题本质是不是因果，再谈路线 ## R — 原文 (Reading) > （转述）Pearl 把因果信息分为三个阶梯：第一层只谈关联（看见 X 时 Y 的似然），第二层问干预（主动改变 X 后 Y 如何），第三层问反事实（"假如当时没做 X，Y 会怎样"）。每一层的答案都无法由下一层的数据单独得出——观察吸烟与癌症的相关，回答不了"戒烟会怎样"。 > > — Judea Pearl《Causality》(2009) 第 1 章；《The Book of Why》(2018) 因果之梯 > （转述）Rubin 主张：因果效应定义为同一单元在"接受处理"与"不接受处理"两种潜在结果之间的差异——但任一单元在同一时刻只能观测到其中一种，缺失的那一半正是因果推断的根本问题；一切方法都是在为这缺失的一半做有依据的填补。 > > — Donald Rubin, "Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies" (1974) --- ## I — 方法论骨架 (Interpretation) "相关不等于因果"不是一句口号，而是三种可命名的机制： - **混杂 (confounding)**: 一个共同原因同时影响 X 与 Y（冰淇淋销量与溺水人数正相关，背后是气温）； - **选择偏差 (selection bias)**: 样本怎么进入数据本身依赖 X 或 Y（只在健身房调查体质），条件化或不条件化都会扭曲； - **辛普森悖论 (Simpson's paradox)**: 聚合层面的关联方向与分层后相反——分不分层取决于哪个变量是混杂、哪个是碰撞，不是"分层总是更好"。 Pearl 三阶梯给问题定级：只要用户的句子能改写成 **do(X)**（我要主动改变 X）或反事实（假如当初不 X），预测模型就回答不了——监督学习消费的是 P(Y|X)，干预需要 P(Y|do(X))。**什么时候需要因果而不是预测**：政策评估（这个药/活动/改版有效吗）、效应归因（增长多少该记在谁头上）、反事实追问（不做会怎样）——这三类问题预测给不了答案；反过来，纯预测任务（不打算据此干预、不追问机制）不需要因果工具，强行上反而丢信息。 工具路线速览：**RCT/在线 A/B** 是金标准——随机化切断一切进入处理的后门路径；做不了实验时走观测路线——**倾向得分匹配/加权**（按"被处理的倾向"平衡可比组）、**后门调整**（在 DAG 上列出并阻断所有混杂路径）、**DML 双重机器学习**（用任意 ML 模型剥离混杂的影响再估处理效应）。定位：本 skill 负责"识别出该用因果的场景并知道路线"，数理推导不在射程内。 --- ## A1 — 文献中的经典应用 (Past Application) *（本批主题超出西瓜书覆盖范围，A1 改引学界公认的经典案例与公开记录）* ### 案例 1: 伯克利录取数据的辛普森悖论 (1973) - **问题**: 研究生录取的汇总数据显示男性录取率显著高于女性，疑似性别歧视；但逐院系检查时，多数院系反而是女性录取率更高。 - **方法论的使用**: 识别出"申请者自选院系"是混杂变量——女性更多申请竞争激烈、录取率低的院系；聚合时院系构成的差异制造了假性的性别差距。 - **结论**: 聚合关联的方向由混杂结构决定，"总体看"与"分层看"谁对，取决于问题问的是"