因果推断新手指南：2020年后主流算法与框架实战解析

1次阅读

共计 2124 个字符，预计需要花费 6 分钟才能阅读完成。

传统机器学习擅长发现数据中的相关性（correlation），比如电商场景中『购买尿布的客户也常买啤酒』。但当我们想知道『发放优惠券能否提升复购率』时，相关性分析就暴露出本质缺陷：

混淆变量干扰 ：高活跃用户可能本身就更容易复购，与优惠券无关
反事实缺失 ：同一个用户无法同时观测到「收到券」和「未收到券」的两种状态
策略评估失效 ：若基于相关性制定运营策略，可能造成资源浪费

这就是因果推断（Causal Inference）的核心价值——通过建立干预（treatment）与结果（outcome）间的因果关系，回答『如果采取 X 行动，Y 会如何变化』这类关键业务问题。

近年来因果推断领域最活跃的三个方向及特点：

技术路线	代表算法	适用场景	计算复杂度	数据需求
Meta-Learners	S-Learner, T-Learner	连续型干预 / 多处理组	低	小样本友好
双重机器学习 (DML)	DoubleML, EconML	高维混淆变量 / 非线性关系	中	需要充足对照组
因果森林	Causal Forest	异质性处理效应分析 (CATE)	高	需要大量样本

注：DML 通过分离特征选择与效应估计步骤，能有效缓解高维数据下的过拟合问题

# 安装最新版 DoubleML
!pip install doubleml==0.6.0
import numpy as np
import pandas as pd
from doubleml import DoubleMLData, DoubleMLPLR
from sklearn.ensemble import RandomForestRegressor

协变量平衡检查 （确保处理组 / 对照组可比性）

# 生成 Love Plot 可视化匹配效果
from causalinference import CausalModel
cm = CausalModel(Y, D, X)  # 结果变量, 处理变量, 协变量
cm.est_via_matching(bias_adj=True)
cm.plot_balance()

交叉拟合防止过拟合

# 初始化 DML 模型（Partially Linear Regression）dml_data = DoubleMLData.from_arrays(X=X, y=Y, d=D  # d 为处理变量)
# 使用随机森林作为基学习器
learner = RandomForestRegressor(n_estimators=100)
dml_plr = DoubleMLPLR(dml_data, 
                     ml_l=learner,
                     ml_m=learner,
                     n_folds=5)  # 5 折交叉拟合
dml_plr.fit()
print(dml_plr.summary)

异质性效应解释

# 计算 SHAP 值分析不同特征的 CATE 贡献
import shap
te_model = dml_plr.learner_m
shap_values = shap.TreeExplainer(te_model).shap_values(X)
shap.summary_plot(shap_values, X)

当样本量 <1000 时，传统置信区间计算可能不准确，推荐采用 Bootstrap 优化：

# 使用 bootstrap 采样计算更稳健的 ATE 区间
dml_plr.bootstrap(method='normal', n_rep_boot=500)
dml_plr.confint()

通过 Rosenbaum 边界值法评估遗漏变量影响：

from sensitivity import Sensitivity
sens = Sensitivity(df=matched_data,
                   treatment='D',
                   outcome='Y')
sens.plot_sensitivity(rho=2.0)  # rho 表示遗漏变量影响强度

对于超大规模数据（>100 万样本），可用 Ray 进行并行化改造：

import ray
ray.init()
@ray.remote
def train_fold(data, params):
    return dml_model.fit()

# 并行训练多个 fold
futures = [train_fold.remote(fold_data, params) for _ in range(5)]
results = ray.get(futures)

虽然现代因果推断框架极大降低了技术门槛，但仍有核心问题待解决：