从零开始理解cerl因果推断：原理、实现与避坑指南

1次阅读

共计 2014 个字符，预计需要花费 6 分钟才能阅读完成。

在数据分析中，我们经常混淆相关性和因果关系。比如观察到冰淇淋销量和溺水事件同时增加，这并不意味着冰淇淋导致溺水——真实原因是气温升高。传统机器学习模型（如随机森林、XGBoost）擅长捕捉变量间的相关性，但无法回答 ” 如果改变 X，Y 会如何变化 ” 这类因果问题。

CERL（Causal Embedding with Reinforcement Learning）通过三个关键设计解决因果推断难题：

结构化嵌入：将混杂变量（confounders）编码到低维空间，避免高维稀疏问题
反事实模拟：使用强化学习构建干预后的数据分布
双重稳健估计：结合倾向得分和结果模型，任一模型准确即可保证估计无偏

对比传统方法（如匹配法、工具变量），CERL 的优势在于：

处理高维混杂变量时更稳定
对模型误设（misspecification）有更强鲁棒性
天然支持连续型干预变量

!pip install cerl dowhy pandas
import numpy as np
import pandas as pd
from cerl import CausalEmbedder
from dowhy import CausalModel

# 模拟包含混杂变量的数据集
np.random.seed(42)
n_samples = 5000
confounder = np.random.normal(size=n_samples)
treatment = 0.5 * confounder + np.random.normal(0, 0.5, size=n_samples)
outcome = 2.0 * treatment + 1.5 * confounder + np.random.normal(0, 1, size=n_samples)

df = pd.DataFrame({
    'confounder': confounder,
    'treatment': treatment,
    'outcome': outcome
})

# 初始化并训练因果嵌入器
embedder = CausalEmbedder(
    n_components=3,  # 嵌入维度
    alpha=0.1,       # 正则化系数
    n_epochs=100
)

embedder.fit(X=df[['confounder']],  # 混杂变量
    T=df['treatment'],     # 干预变量
    y=df['outcome']        # 结果变量
)

# 估计平均处理效应(ATE)
ate = embedder.estimate_ate()
print(f"Estimated ATE: {ate:.3f}")

# 构建因果图
model = CausalModel(
    data=df,
    treatment='treatment',
    outcome='outcome',
    common_causes=['confounder']
)

# 识别因果效应
identified_estimand = model.identify_effect()

# 估计效应（作为对照）estimate = model.estimate_effect(
    identified_estimand,
    method_name="backdoor.linear_regression"
)
print(estimate)

观测数据不代表总体：用重加权（reweighting）调整样本分布
未观测混杂变量：通过 sensitivity 分析评估估计的稳健性

对大规模数据使用 Mini-Batch 训练
用 PCA 降维预处理混杂变量
并行化反事实模拟过程

CERL 的效应估计基于双稳健估计量：

$$
\hat{\tau}{DR} = \frac{1}{n}\sum^n\left[
\frac{T_i(Y_i – \hat{\mu}_1(X_i))}{\hat{e}(X_i)} + \hat{\mu}_1(X_i)
\right] – \left[
\frac{(1-T_i)(Y_i – \hat{\mu}_0(X_i))}{1-\hat{e}(X_i)} + \hat{\mu}_0(X_i)
\right]
$$

其中：
– $\hat{e}(x)$ 是倾向得分
– $\hat{\mu}_1(x)$ 和 $\hat{\mu}_0(x)$ 是处理组和对照组的预期结果