一、因果推断导论：从相关到因果的跃迁

大家好，我是你们这门课的老朋友。做了十几年数据分析，踩过无数坑，今天咱们来聊聊因果推断。

说实话，我刚入行那会儿，觉得数据分析就是跑跑回归、看看相关系数。直到有一次，我给业务方提了个建议——「用户点击率提升了，说明我们的新功能有效」。结果上线后，核心指标反而跌了。为什么？因为我看到的只是相关，不是因果。

嗯，这节课我们就来把「因果推断」这事儿彻底说清楚。

1.1 什么是因果推断？

因果推断，说白了就是回答「如果……会怎样」的问题。

举个例子：
你给用户发了优惠券，用户下单了。
问题是——如果没发这张券，用户还会下单吗？

你看，我们永远无法同时观测到「发券」和「不发券」两种结果。这就是因果推断要解决的核心难题——反事实推理。

我个人习惯把因果推断比作「时间旅行」——你没法回到过去改变一个决策，但你可以用统计方法模拟出「如果当初做了不同选择」的结果。

1.2 为什么需要因果推断？

你可能会问：我跑个A/B测试不就行了？

对，A/B测试是黄金标准。但现实中有太多场景做不了实验：

• 成本太高——比如你想测试「给全员加薪20%是否提升效率」，老板会把你轰出去
• 伦理问题——比如「吸烟是否致癌」，你总不能随机让人吸烟吧
• 时间滞后——比如「教育对收入的影响」，等20年黄花菜都凉了
• 不可逆操作——比如「产品改版」，改完了就回不去了

我在项目中遇到过最典型的场景：业务方拿着销售数据说「你看，做了促销的品类销量涨了30%，促销真有效」。我一看数据——促销期间自然流量本身就高，这30%里有多少是促销带来的？说不清楚。

这就是为什么我们需要因果推断——从混乱的观测数据中，剥离出真正的因果效应。

1.3 相关关系 vs 因果关系

这个区别，我建议每个数据分析师都刻在脑子里。

维度	相关关系	因果关系
定义	两个变量同时变化	一个变量导致另一个变量变化
方向性	无方向（A↔B）	有方向（A→B）
可干预性	改变A，B不一定变	改变A，B一定会变
经典案例	冰淇淋销量与溺水人数正相关	温度升高导致两者同时增加

你想想看，如果只看相关，你可能会得出「卖冰淇淋能救人」的荒唐结论。但因果关系告诉我们——背后有个隐藏变量「温度」在起作用。

1.4 因果推断的三大核心任务

因果推断不是一门玄学，它有清晰的任务划分。我把它总结成三个问题：

任务一：因果发现

问题：变量之间到底谁影响谁？
目标：画出因果图（DAG，有向无环图）

说白了，就是搞清楚变量之间的「关系网」。比如：

• 是「广告投入→销量」，还是「销量→广告投入」？
• 还是两者互相影响？

常用的方法有：PC算法、FCI算法、基于评分搜索的方法等。不过说实话，在实战中，领域知识往往比算法更靠谱。我习惯先跟业务方聊半小时，画出初步的因果图，再用数据验证。

任务二：因果识别

问题：给定因果图，能否从观测数据中识别出因果效应？
目标：判断「这个因果问题能不能用现有数据回答」

这里有个关键概念——可识别性。有些因果效应，无论你用什么高级方法，都无法从观测数据中识别出来。就像你永远无法知道「如果马云没创建阿里巴巴，他现在在干什么」。

常用的识别策略：

• 后门准则——控制所有混淆变量
• 前门准则——通过中介变量间接估计
• 工具变量——找一个只影响原因、不影响结果的变量

任务三：因果效应估计

问题：因果效应具体有多大？
目标：给出数值化的因果效应估计值

这是最「数据科学」的一步。常用的方法包括：

• 匹配法——为每个受干预的样本找一个「双胞胎」
• 双重差分法（DID）——比较干预前后、干预组与对照组的差异
• 断点回归（RDD）——利用临界点附近的随机性
• 工具变量法（IV）——用「外生冲击」来识别因果

举个简单的代码示例，用Python做倾向得分匹配：

# 倾向得分匹配的伪代码示例
import numpy as np
from sklearn.linear_model import LogisticRegression

# 1. 估计倾向得分（接受干预的概率）
model = LogisticRegression()
model.fit(X, treatment)  # X是协变量，treatment是是否接受干预
propensity_score = model.predict_proba(X)[:, 1]

# 2. 匹配：为每个处理组样本找最近的控制组样本
# 实际项目中会用更成熟的库，如causalml或DoWhy

嗯，这里要注意——代码只是工具，理解背后的因果逻辑才是核心。我见过太多人把匹配做完，结果匹配后的两组在关键变量上仍然不平衡，那这个估计就是废的。

知识体系总览

下面这张图，是我自己梳理的因果推断知识框架。建议你保存下来，学完整个课程后再回来看，会有更深的理解。

你看，这三个任务是层层递进的。先搞清楚变量之间的关系（因果发现），再判断能不能从数据中识别出因果效应（因果识别），最后给出具体的数值估计（因果效应估计）。

很多初学者一上来就跳到最后一步，用各种复杂模型跑出个数字，但前面的因果图画错了、识别条件不满足，那结果就是「垃圾进，垃圾出」。我踩过这个坑，希望你别再踩。

---