BART因果推断：从原理到实践的技术解析

1次阅读

没有评论

共计 2029 个字符，预计需要花费 6 分钟才能阅读完成。

做因果推断时，我们常遇到这样的场景：

变量间存在复杂的非线性关系（比如药物剂量与疗效呈 S 型曲线）
高维特征交互（用户行为受数十个因素交叉影响）
存在隐藏混淆变量（未被观测到的干扰因素）

传统方法这时候就容易翻车：

线性回归：强行用直线拟合曲线关系，就像用螺丝刀拧六角螺母
倾向得分匹配：当特征维度升高时，匹配质量断崖式下降
工具变量法：找到合格工具变量的难度堪比中彩票

去年我们电商团队就踩过坑——用逻辑回归估计促销活动的转化率提升，结果比实际效果低估了 40%，就是因为忽略了用户活跃度与促销敏感度的非线性交互。

横向对比当前主流因果推断方法：

方法	优势	劣势
双重机器学习(DML)	理论保障强	需要正确指定两个模型
因果森林	自动捕捉异质性处理效应	对极端值敏感
BART	非线性拟合强 + 不确定性量化	计算成本较高

BART 的杀手锏在于：

用决策树组合逼近任意复杂函数（类似乐高积木拼复杂形状）
贝叶斯框架天然提供可信区间（不仅告诉你 ” 是多少 ”，还告诉你 ” 多确定 ”）
正则化先验自动防止过拟合（内置的 ” 防上头 ” 机制）

BART 的工作流程可以类比厨师做菜：

备菜阶段（数据准备）
将特征变量 (X) 和处理变量 (T) 一起作为输入
标准化连续变量（让所有食材大小均匀）
炒菜阶段（模型训练）
构建 200-300 棵浅层决策树（多个厨师同时炒小份菜）
每棵树只学简单规则（比如 ” 年龄 >30 且城市 = 北京 ”）
通过贝叶斯后验采样调整树结构（试吃后调整火候）
上菜阶段（预测推断）
所有树的预测结果取平均（拼盘上桌）
计算反事实预测（如果没放辣椒会怎样？）

关键创新点在于：

随机扰动机制：每棵树只允许看部分数据（类似蒙眼尝菜）
概率剪枝：优先保留解释力强的分裂规则（留下好吃的菜谱）

# 环境准备
!pip install pymc3==3.11.4 numpyro
import numpy as np
import pymc3 as pm

# 生成模拟数据（2000 个样本，10 个特征）np.random.seed(42)
X = np.random.normal(size=(2000, 10))
treatment = np.random.binomial(1, 0.5, 2000)
y = 3 * treatment + 2 * X[:,0] + 0.5 * X[:,0]*X[:,1] + np.random.normal(0, 1)

# BART 模型构建
with pm.Model() as bart_model:
    # 设置 BART 参数
    mu = pm.BART("mu", X, y, m=200)  # 200 棵树
    sigma = pm.HalfNormal("sigma", 1)
    y_pred = pm.Normal("y_pred", mu, sigma, observed=y)

    # 训练（NUTS 采样）trace = pm.sample(1000, tune=1000, chains=2, target_accept=0.95)

# 因果效应估计
ate = trace["mu"][:, treatment==1].mean() - trace["mu"][:, treatment==0].mean()
print(f"平均处理效应(ATE): {ate:.2f}")

代码说明：