BART模型在因果推断中的实战指南：从原理到Python实现

1次阅读

没有评论

共计 2229 个字符，预计需要花费 6 分钟才能阅读完成。

因果推断（Causal Inference）是数据分析中的高阶技能，传统方法如双重差分（DID, Difference-in-Differences）、工具变量（IV, Instrumental Variable）依赖强假设：

线性假设：要求处理效应是固定常数
无混淆假设：需要手动测量所有混杂变量
模型指定敏感：函数形式误设会导致严重偏差

当面对电商促销效果评估、医疗治疗方案比较等真实场景时，数据往往存在：

高维特征（用户画像包含数百个标签）
非线性交互（优惠券效果随用户活跃度非线性变化）
复杂混淆（未观测变量影响结果）

此时传统方法容易失效——这正是 BART 的用武之地。

方法	混淆变量控制	非线性处理	自动特征选择	输出可解释性
线性回归	依赖手动调整	不支持	不支持	系数可解释
PSM	依赖倾向得分	不支持	部分支持	匹配样本解释
BART	自动调整	支持	全自动	预测值可解释

BART（Bayesian Additive Regression Trees）的核心优势在于：

通过数百棵弱相关决策树的集成，自动捕捉非线性关系和交互效应
贝叶斯框架天然提供不确定性量化
不需要预先指定协变量与结果的函数关系

关键处理点：

# 分类变量编码（示例：用 pd.get_dummies 处理用户性别）import pandas as pd
df = pd.get_dummies(df, columns=['gender'], drop_first=True)

# 缺失值处理（BART 本身支持缺失值，但建议先做简单填充）df.fillna({'income': df['income'].median(),  # 数值型用中位数
    'education': 'missing'  # 分类型用特殊标记
}, inplace=True)

重点参数说明：

n_trees: 树的数量（建议 200-800），更多树降低方差但增加计算量
k: 树节点的先验参数（控制拟合强度，默认 2）

from bartpy.sklearnmodel import SklearnModel

model = SklearnModel(
    n_trees=500,  # 树的数量
    n_chains=4,   # MCMC 链数
    n_samples=1000,  # 后验采样次数
    k=2           # 平滑参数
)
model.fit(X_train, y_train)  # X 包含处理变量和协变量

计算 ATE（平均处理效应）和 CATT（处理组平均处理效应）：

# 生成反事实预测：所有样本处理 vs 未处理
cf_pred = model.predict(X.assign(treatment=1))  # 处理组预测
control_pred = model.predict(X.assign(treatment=0))  # 控制组预测

# ATE 计算
ATE = (cf_pred - control_pred).mean()
print(f"平均处理效应: {ATE:.2f}")

# CATT 计算（仅对实际处理组）treated_mask = X['treatment'] == 1
CATT = (cf_pred[treated_mask] - control_pred[treated_mask]).mean()

import matplotlib.pyplot as plt

# 绘制个体处理效应分布
plt.hist(cf_pred - control_pred, bins=50)
plt.xlabel('Individual Treatment Effect')
plt.ylabel('Frequency')
plt.title('BART 估计的处理效应分布')

构造有已知混杂偏差的数据集：

import numpy as np

# 生成混杂变量
n = 2000
confounder = np.random.normal(size=n)
# 处理变量受混杂影响
treatment = (confounder + np.random.normal(scale=0.5, size=n) > 0).astype(int)
# 结果变量同时受处理和混杂影响
y = 2 * treatment + 1.5 * confounder + np.random.normal(size=n)

BART 能准确恢复真实处理效应（2.0），而线性回归会因忽略混杂而出现偏差。