4. 线性回归与因果：从相关到因果的关键一步

说实话，很多刚接触因果推断的朋友，第一个困惑就是：线性回归不是做预测的吗？跟因果有什么关系？

我当年也有这个疑问。直到我在一个电商项目中，用回归模型去分析「促销活动对销售额的影响」，结果发现回归系数居然是负的——促销越多，销售额反而下降？这显然不合理。后来我才明白，不是回归本身有问题，而是我忽略了混淆变量。

这一章，我们就来把线性回归和因果推断的关系彻底讲清楚。

4.1 线性回归模型：最简单的因果工具

线性回归的数学形式很简单：

Y = β₀ + β₁X + ε

其中：

• Y 是结果变量（比如销售额）
• X 是处理变量（比如促销力度）
• β₁ 就是我们最关心的——X 每变化一个单位，Y 平均变化多少
• ε 是误差项，包含所有其他影响因素

你可能会问：这不就是一条直线吗？跟因果有什么关系？

嗯，关键就在这里。回归系数 β₁ 要解释为因果效应，需要满足一个核心假设：X 和 ε 不相关。 换句话说，所有影响 Y 的因素中，除了 X 本身，其他因素都不能同时与 X 相关。

4.2 最小二乘法：怎么找到那条「最佳」直线？

我记得刚学统计时，老师问：「为什么回归线要那样画？」答案是——最小二乘法（OLS）。

它的逻辑很简单：找到一组 β₀ 和 β₁，让所有数据点到直线的垂直距离的平方和最小。

公式长这样：

min Σ (Yᵢ - (β₀ + β₁Xᵢ))²

为什么用平方？而不是绝对值？

我个人的理解是：平方有两个好处——

• 放大大的误差，让模型更「在意」那些偏离大的点
• 数学上可导，方便求解析解

解出来的 β₁ 公式是：

β₁ = Cov(X, Y) / Var(X)

说白了，就是 X 和 Y 的协方差，除以 X 自己的方差。这个公式在因果推断中会反复出现，建议你记住它。

4.3 回归系数的因果解释：什么时候可以？

这是本章最重要的部分。我们来看一个具体例子。

假设你想知道「教育年限对收入的影响」。你收集了数据，跑了一个回归：

收入 = β₀ + β₁ × 教育年限 + ε

得到 β₁ = 5000，意思是：每多上一年学，收入平均多 5000 块。

这个 5000 能解释为因果效应吗？

不能！ 至少不能直接这么解释。

为什么？因为存在混淆变量。比如：

• 家庭背景：富裕家庭的孩子更容易接受更多教育，也更容易找到高薪工作
• 个人能力：能力强的人既容易考上大学，也容易赚更多钱

这些变量同时影响 X 和 Y，导致 β₁ 估计有偏。我当年在项目中踩过的坑，就是忽略了「促销时段」这个混淆变量——促销往往在节假日做，而节假日本身销售额就高，结果把节假日效应误算成了促销效应。

4.4 混淆变量与回归调整：怎么「控制」住它？

既然有混淆变量，那怎么办？

答案很简单：把混淆变量也放进回归模型里。

比如，我们怀疑「家庭背景」是混淆变量，那就把它加进去：

收入 = β₀ + β₁ × 教育年限 + β₂ × 家庭背景 + ε

这时候，β₁ 的含义就变了：在家庭背景相同的情况下，教育年限每增加一年，收入平均变化多少。

这就是「回归调整」的核心思想——通过控制混淆变量，让处理变量变得「近乎随机」。

用因果图的语言来说：

  家庭背景
   /     \
  ↓       ↓
教育年限 → 收入

当我们把「家庭背景」放入回归模型，就相当于切断了它到「教育年限」和「收入」的路径，从而得到更干净的因果估计。

4.5 知识体系总览

下面这张图，帮你把本章的核心逻辑串起来：

4.6 本章小结

这一章我们讲了四件事：

1. 线性回归模型：最简单的因果推断工具，但需要假设支撑
2. 最小二乘法：找到最佳拟合线的数学方法
3. 回归系数的因果解释：不能直接当因果，要警惕混淆变量
4. 回归调整：通过控制混淆变量，逼近因果效应

说实话，这章的内容看起来简单，但它是整个因果推断的基石。我见过太多人，包括我自己早期，都是在这里栽跟头——把相关当因果，然后被业务方怼得哑口无言。

下一章，我们会深入讨论一个更棘手的问题：如果混淆变量不可观测，该怎么办？ 到时候会介绍工具变量法，那是个很有意思的话题。

---

公众号:蓝海资料掘金营，微信deep3321