因果推断边学习边分享（一）

前段时间被导师安利了Judy Pearl的书《The Book of Why》，开始关注因果推断这个领域。分享下自己对因果推断相关方法的学习，不准确之处还请大佬们批评指正。

目录

1. 背景引入
2. 因果推断简介
3. Rubin Causal Model (RCM) 及相关方法
4. Structural Equation Modeling (SEM) 及相关方法
5. 因果关系的驳斥
6. 因果推断与机器学习
7. 学习材料推荐
8. 后记

1 背景引入

因果推断通俗来讲就是“透过现象看本质”，尤其是当现象和本质恰恰相反的时候。对于后者，人们常常提到的两个例子就是辛普森悖论和相关性不等于因果性。

1.1 辛普森悖论

辛普森悖论最经典的例子就是伯克利招生数据中的“性别歧视”现象，如下表：

显然在全校录取的新生中，男性的比例显著高于女性。有趣的是校方查阅了每个系的招生数据，却发现了不一样的现象：

在男女差异最大的6个院系中，看起来女性的录取率明显高于男性。这与全校的统计结果相反，如果非要说有“性别歧视”那可能也确实存在，只是改歧视男性了。

于是人们发现：一个分组来看时存在的现象，当把这些组的数据合并起来看时，该现象可能会消失或反转。这就是著名的辛普森悖论。下面这张动图就非常生动的说明了这一现象。

注：本节所用图表均来自互联网，侵删。

1.2 相关性  因果性

我们在分析两个变量时常会判断他们是否“相关”，但这很容易产生一种错觉：其中一个变量的变化会导致另一个变量的变化，也就是因果关系。而这是不对的，比如下面的例子

销售量和剃光头的数量高度相关，于是为了提高销售量，人人都应该手动变强...相关性并不能表示变量之间的相互作用机制，相关性不等于因果性。
这里推荐一个好玩的网站，里面有很多生动的例子：

http://www.tylervigen.com/spurious-correlations​www.tylervigen.com

事实上，相关性可能来自于三个方面：因果关系、混淆变量和采样偏差，其中只有因果关系才能真正回答为什么，才是我们真正要追寻的“智能”；而解决因果推断的问题则要排除其他两方面因素的影响，我们接下来会加以介绍。（这一部分参考了清华大学崔鹏老师在KDD2020 tutorial的ppt，传送门如下）

https://link.zhihu.com/?target=http%3A//kdd2020tutorial.thumedialab.com/

2 因果推断简介

因果推断顾名思义就是推断变量间：1）是否存在因果关系；2）因果关系的大小。

因果关系：两个变量T和Y之间具有因果关系当且仅当T的改变会导致Y的改变，同时其他因素都保持不变。

因果效应：指具有因果关系的变量T和Y，T的单位变化导致Y发生变化的大小。

这里施加的变量T称为treatment（对应的在T保持不变的情况称为control）。T的单位变化记做Unit，产生的变化称为Effect（即上面的因果效应）。衡量因果效应的大小主要通过计算ITE或ATE来完成：

ITE: Individual Treatment Effect

ATE: Averaged Treatment Effect

这些都是因果推断中的基本概念。那么因果推断的难点在于什么呢？主要是以下几个方面：

• 不可见的反事实空间（Counterfactual）

对于特定个体的特定状态，我们只能对其进行一次操作（比如用药）然后观察效果，而无法获知进行相对应操作（比如服用安慰剂或不用药）下的效果。而这种无法获知的状态就称为“Counterfactual”。如果我们能够既知道real world又知道counterfactual world的情况，那么二者做差即可得到causal effect。但很遗憾counterfactual永远不可知。

• 混淆变量（Confounding Factor OR Covariates）

Treatment变量T和effect变量Y可能会同时受到某一第三方变量X的影响，导致观察到的T对Y的影响其实并不一定是真实的作用关系。比如要研究某种药对病人的效果，但研究过程中忽略了年龄的因素，结果治疗组和对照组治疗效果上的差别实际是病人年龄差异导致的，这种情况下年龄就称为混淆变量。

• 采样偏差

与混淆变量类似，采样偏差会导致本来不存在因果关系的两个变量，因为采样偏差导致样本特性不一致进而使得二者产生关联。

之后的部分会写因果推断的两大类方法，以及推断结果验证等方面的内容。