因果推断入门指南：从基础概念到Python实战

1次阅读

没有评论

共计 2142 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触数据分析时，我们常常会陷入一个误区：看到两个变量之间存在相关性，就认为它们有因果关系。比如，冰淇淋销量增加时溺水事件也增加，但显然不是因为冰淇淋导致溺水，而是因为天气炎热。这就是相关性不等于因果性的经典例子。

观察角度不同
相关性分析只关注变量之间的统计关联
因果推断试图回答 ” 如果改变 X，Y 会怎样 ” 的干预性问题
混淆变量的影响
相关性分析会受混淆变量 (confounder) 干扰
因果推断通过实验设计或统计方法控制混淆
应用场景差异
相关性适用于预测问题
因果推断适用于决策支持

反事实思维是因果推断的核心。简单来说就是问：” 如果当时做了不同的选择，结果会怎样？”

个体处理效应(ITE)：对同一个体，接受处理和不接受处理的结果差异
平均处理效应(ATE)：全体样本的 ITE 平均值

实际中我们永远无法同时观察到一个体的两种状态，这就是 ” 因果推断的根本问题 ”。我们需要通过科学方法逼近反事实结果。

原理：通过逻辑回归估计每个样本接受处理的概率(倾向得分)，然后在得分相近的样本间进行匹配
适用场景
观察性研究(无法随机分组)
处理组和对照组基线特征不平衡
优缺点
优点：直观易懂，实现简单
缺点：依赖模型假设，无法处理未观测的混淆

原理：比较处理组和对照组在干预前后的变化差异
适用场景
有干预前后的面板数据
满足平行趋势假设
优缺点
优点：可控制时间不变混淆因素
缺点：需要多期数据，平行趋势难验证

下面我们通过一个完整的示例，演示如何用 Python 进行倾向得分匹配分析。假设我们要评估某个营销活动对用户购买金额的影响。

import pandas as pd
from sklearn.model_selection import train_test_split
from causalml.dataset import synthetic_data

# 生成模拟数据
y, X, treatment, _, _, _ = synthetic_data(mode=1, n=1000, p=10, sigma=1.0)
df = pd.DataFrame(X, columns=[f'x_{i}' for i in range(X.shape[1])])
df['treatment'] = treatment
df['outcome'] = y

# 查看数据结构
print(df.head())

from causalml.propensity import ElasticNetPropensityModel

# 初始化模型
psm = ElasticNetPropensityModel()

# 拟合模型
propensity_scores = psm.fit_predict(X=df.drop(['treatment', 'outcome'], axis=1),
    treatment=df['treatment']
)

df['propensity_score'] = propensity_scores

from causalml.match import NearestNeighborMatch

# 设置匹配器
matcher = NearestNeighborMatch(
    replace=False,
    ratio=1,
    random_state=42
)

# 执行匹配
matched_df = matcher.match(
    data=df,
    treatment_col='treatment',
    score_cols=['propensity_score']
)

# 计算平均处理效应(ATE)
ate = matched_df[matched_df['treatment']==1]['outcome'].mean() - \
      matched_df[matched_df['treatment']==0]['outcome'].mean()

print(f'Estimated ATE: {ate:.2f}')

在实际业务中应用因果推断时，我们会遇到一些特殊挑战：