Brady Neal因果推断笔记：从入门到精通的实践指南

1次阅读

共计 2083 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触数据科学时，我总把 ” 相关性 ” 当成 ” 因果性 ”，直到看到 Brady Neal 举的经典例子：冰淇淋销量上升与溺水事件增加呈正相关，但显然不是冰淇淋导致溺水（真实原因是气温升高）。这个例子让我意识到——

相关性≠因果性：统计关联只能说明变量同步变化，而因果推断要回答 ” 如果改变 X，Y 会怎样 ”
三大核心问题：
观察数据中的模式（关联）
设计干预实验（随机对照试验）
构建因果模型（当无法实验时）

Brady Neal 强调，有向无环图 (DAG) 是因果推断的 ” 可视化语言 ”。我曾用下面这个简单的医疗场景练习：

graph LR
    A[吸烟] --> B[肺癌]
    C[基因倾向] --> A
    C --> B

节点表示变量，箭头表示因果关系
后门路径：吸烟←基因→肺癌这条非直接路径会混淆真实因果效应
阻断混淆：通过控制基因变量（比如分层统计）才能得到纯净的 ” 吸烟→肺癌 ” 效应

用 pywhy 库实现简单的 do 运算（需先pip install pywhy）：

import pandas as pd
import numpy as np
from pgmpy.models import BayesianNetwork

# 模拟数据：教育水平→收入，隐藏变量 "能力" 同时影响两者
np.random.seed(42)
ability = np.random.normal(size=1000)
education = 0.5*ability + np.random.normal(scale=0.3, size=1000)
income = 0.8*ability + 0.3*education + np.random.normal(scale=0.5, size=1000)
df = pd.DataFrame({'教育': education, '收入': income})

# 错误做法：直接回归会高估教育回报
print("Naive 回归系数:", np.polyfit(df['教育'], df['收入'], 1)[0])  # 输出约 0.7

# 正确做法：构建因果图并调整
model = BayesianNetwork([('能力', '教育'), ('能力', '收入'), ('教育', '收入')])
# 此处假设我们通过工具变量等方法测量了能力...

根据 Brady Neal 的总结，新手最容易犯这些错误：

忽略混淆变量：就像教育 - 收入例子中的能力因素
过度控制变量：阻断中介变量反而会掩盖真实因果路径
选择偏差：只用幸存者数据（如只分析贷款获批人群的信用分）
时间顺序混淆：把结果变量误当作原因
外推过度：在干预范围外预测（如用中等教育数据预测博士收入）

假设某医院想评估 ” 定期体检 ” 对 ” 健康指标 ” 的影响：

import dowhy
from dowhy import CausalModel

# 合成数据（实际应用替换为真实数据）data = pd.DataFrame({'体检': np.random.binomial(1, 0.4, 500),  # 40% 人群参与体检
    '健康指标': np.random.normal(70, 15, 500),
    '年龄': np.random.randint(18, 80, 500),
    '基础病': np.random.binomial(1, 0.3, 500)
})
# 年龄大的人更可能体检，但也更可能有健康问题
data.loc[data['年龄']>60, '体检'] = np.random.binomial(1, 0.7, sum(data['年龄']>60))
data.loc[data['年龄']>60, '健康指标'] -= 10

# 构建因果模型
model = CausalModel(
    data=data,
    treatment='体检',
    outcome='健康指标',
    common_causes=['年龄', '基础病']
)

# 估计因果效应
identified_estimand = model.identify_effect()
estimate = model.estimate_effect(identified_estimand,
                               method_name='backdoor.propensity_score_stratification')
print(f"体检对健康指标的因果效应: {estimate.value:.2f}")

根据我的实践总结：

先画 DAG 再分析：哪怕在白板上手绘也比直接跑模型强
敏感性分析：测试结果对未观测变量的稳健性
交叉验证方法：尝试不同估计方法（匹配 / 工具变量 / 断点回归）
领域知识优先：统计方法不能替代专业理解
明确假设：所有因果结论都依赖于未被证实的假设

最后想说的是，因果推断就像侦探破案——需要理论工具（DAG）、实证证据（数据）和严谨逻辑（do-calculus）的结合。Brady Neal 的笔记之所以经典，正是因为它用工程化的思维把抽象的因果问题变成了可操作的流程。建议读者从 dowhy 和pgmpy这些库开始动手实践，毕竟因果思维只能在案例中真正内化。

正文完