因果推断实战：如何用cerl解决观测数据中的混杂变量问题

1次阅读

共计 1539 个字符，预计需要花费 4 分钟才能阅读完成。

在数据分析中，我们常常需要回答 ” 如果 X 发生变化，Y 会怎样 ” 这类因果问题。传统统计方法（如回归分析）只能捕捉相关性，而 混杂变量（同时影响 X 和 Y 的变量）会导致因果效应估计出现偏差。例如：

研究教育水平 (X) 对收入 (Y) 的影响时，” 家庭背景 ” 可能是混杂变量
分析广告投放 (X) 对销量 (Y) 的影响时，” 季节性因素 ” 可能是混杂变量

相比传统方法，cerl（Causal Effect Representation Learning）通过双重机器学习和反事实推理实现：

双重去偏：第一阶段用机器学习模型分别拟合 X 和 Y 与混杂变量的关系，第二阶段用残差进行因果估计
表征学习：通过神经网络自动学习混杂变量的有效表征
可扩展性：支持分布式计算处理大规模数据

方法	可解释性	非线性处理	大数据支持
线性回归	高	不支持	一般
倾向得分匹配	中	部分支持	较差
cerl	中	完全支持	优秀

以下完整示例展示如何用 cerl 估计广告投放的增量效果（ITE）：

# 环境配置
!pip install econml torch
import numpy as np
from econml.metalearners import TLearner
from sklearn.ensemble import GradientBoostingRegressor

# 生成模拟数据（广告投放 X，销量 Y，季节因素 Z）n_samples = 10000
Z = np.random.normal(size=(n_samples, 3))  # 混杂变量
X = Z[:, 0] + 0.5*np.random.normal(size=n_samples)  # 广告预算
Y = 2*X + Z[:, 1] + 0.3*np.random.normal(size=n_samples)  # 实际销量

# cerl 模型初始化
models = TLearner(models=GradientBoostingRegressor(n_estimators=100),
    propensity_model=GradientBoostingRegressor())

# 训练与预测
models.fit(Y, X, Z)
ite = models.effect(Z)  # 个体处理效应
print(f"平均因果效应: {ite.mean():.2f}")

关键参数说明：
– n_estimators: 基学习器数量
– max_depth: 控制模型复杂度
– learning_rate: 影响收敛速度

在 AWS c5.4xlarge 实例上测试：