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 2540 个字符，预计需要花费 7 分钟才能阅读完成。

刚入行数据分析时，我经常把相关性和因果性混为一谈。直到有一次，发现冰淇淋销量和溺水事件高度相关，差点得出 ” 吃冰淇淋导致溺水 ” 的荒谬结论——这其实是典型的混淆变量问题（天气炎热同时影响两个指标）。

统计关联的局限性：相关系数只能说明 X 和 Y 的变化趋势，无法确定是 X 导致 Y，还是 Y 导致 X，或是第三方因素影响了二者
混淆变量陷阱：就像冰淇淋案例，忽视温度因素会导致错误归因
因果推断三要素 ：通过设计实验或统计方法，明确处理变量(Treatment)、结果变量(Outcome) 和混淆变量(Confounder)

当我说 ” 这个广告提升了 20% 销量 ” 时，其实隐含了一个无法观测的假设：如果同一批用户没看到广告会怎样？这就是反事实思想。

潜在结果模型：对于每个个体，存在两种潜在结果 Y(1)（接受处理）和 Y(0)（未接受处理）
平均处理效应(ATE)：ATE = E[Y(1) – Y(0)]，即处理组的平均效果
根本难题：我们永远无法同时观测到同一个体的两种状态，需要巧妙的实验或统计方法逼近真实

核心思想：找到处理组和对照组中背景特征相似的个体进行对比
** 实现步骤：
用逻辑回归等模型估计倾向得分（每个个体进入处理组的概率）
通过最近邻 / 卡尺匹配等方法配对相似样本
比较匹配后样本的结果差异
优势：不需要时间维度数据，适用于横截面研究
局限：依赖所有相关混淆变量都被观测且正确建模

适用场景：处理组和对照组在处理前后都有观测数据
计算逻辑：效应 = (处理组后 - 处理组前) – (对照组后 - 对照组前)
经典案例：评估某政策效果时，比较政策实施地区与非实施地区在政策前后的差异变化

以下示例使用电商场景：评估会员折扣活动对复购率的影响

# 环境准备
!pip install causalml
import pandas as pd
import numpy as np
from causalml.match import NearestNeighborMatch
from sklearn.linear_model import LogisticRegression

# 模拟数据（实际项目替换为真实数据）np.random.seed(42)
data = pd.DataFrame({'age': np.random.randint(18, 70, 1000),
    'gender': np.random.choice(['M','F'], 1000),
    'history_purchase': np.random.exponential(500, 1000),
    'is_member': np.random.binomial(1, 0.3, 1000),  # 30% 用户获得会员资格
    're_purchase': np.zeros(1000)
})

# 生成结果变量（真实场景应来自实际数据）data.loc[data.is_member==1, 're_purchase'] = np.random.binomial(1, 0.25, sum(data.is_member))
data.loc[data.is_member==0, 're_purchase'] = np.random.binomial(1, 0.15, sum(data.is_member==0))

# 计算倾向得分
ps_model = LogisticRegression()
ps_model.fit(data[['age','gender','history_purchase']], data['is_member'])
data['propensity_score'] = ps_model.predict_proba(data[['age','gender','history_purchase']])[:,1]

# 最近邻匹配
matcher = NearestNeighborMatch(replace=False, ratio=1, random_state=42)
matched_data = matcher.match(data, 'is_member', 'propensity_score')

# 评估匹配效果
print("匹配后处理组规模:", sum(matched_data.is_member))
print("匹配后对照组规模:", sum(matched_data.is_member==0))

# 计算 ATE
ate = matched_data[matched_data.is_member==1].re_purchase.mean() - \
      matched_data[matched_data.is_member==0].re_purchase.mean()
print(f"估计的平均处理效应(ATE): {ate:.2%}")

关键决策点：