【Python实战因果推断】54_因果推理概论4-CSDN博客

本文链接：https://blog.csdn.net/qq_32146369/article/details/139691659

Interventions

我花时间详细讲解因果模型的原因是，一旦你拥有了一个因果模型，你就可以开始对其进行调整，尝试解答因果问题。在专业术语中，这种调整被称为干预。例如，你可以取一个非常简单的因果模型，然后迫使所有人接受处理t0。这样一来，就消除了T自然产生的原因，将其替换为一个恒定的值

$\begin{aligned}T&\leftarrow t_0\\Y&\leftarrow f_y(T,u_y)\end{aligned}$

这是一个思维实验，目的是回答“如果我把处理设置为 $t_0$ ，结果Y会发生什么变化？”的问题。实际上，你不必真的对处理进行干预（尽管你可以，而且之后也会这样做，但那是后话）。在因果推断的文献中，这类干预可以用do算子来表示。如果你想思考如果对T进行干预会发生什么，你可以写成 ${do}(T=t_0)$ 。

do算子也初步揭示了关联与因果的区别所在。我已经论述过，对于正在进行促销的企业，高销量（E[AmountSold | IsOnSales = 1]）可能会高估如果所有企业都进行价格削减时平均销量会是多少（E[AmountSold | do(IsOnSales = 1)]）。在第一种情况下，你所观察的是那些自主选择降价的企业，它们很可能规模较大。相比之下，后面的量E[AmountSold | do(IsOnSales = 1)]，指的是如果你迫使所有企业都参与促销，而不仅仅是那些大型企业，会发生什么。重要的是，一般来说，

$E[AmountSold|IsOnSales=1]\neq E[AmountSold|do(IsOnSales=1)]$

理解这两者之间差异的一个方式是从选择与干预的角度来看待。当你基于销售情况做条件概率时，你测量的是在实际降价的一系列企业子样本上所售出的数量。而当你基于干预do(IsOnSales)做条件概率时，你是在迫使所有企业都降价，然后在全部样本上测量所售出的数量（见图1-2）。

do算子用于定义那些并非总能从观测数据中直接获取的因果量。在前面的例子中，你无法观测到每个企业都进行do(IsOnSales = 1)的情况，因为你并没有迫使他们进行促销。do算子作为一种理论概念非常有用，它能让你明确指出你追求的因果量是什么。由于它不是直接可观察的，因果推断的很大一部分工作就是从理论表达中去除它——这一过程被称为识别。

Individual Treatment Effect

do算子也能帮助你表达个体处理效应，也就是处理对于个体单元i的结局产生的影响。你可以将它写成两个干预之间的差值的形式：

$\tau_i=Y_i|do(T=t_1)-Y_i|do(T=t_0)$

用语言描述就是，“对于单元i，从处理t0变化到t1的效应τi，等于该单元在t1处理下和t0处理下的结局之差。”你可以利用这个概念来分析我们想要弄清楚的问题，即在AmountSold中将IsOnSales从0翻转到1的影响：

$\tau_i=AmountSold_i|do(IsOnSales=1)-AmountSold_i|do(IsOnSales=0)$

然而，由于因果推断的基本问题，你只能观察到上述等式中的一个项。所以，尽管理论上你能这样表达这个量，但这并不意味着你能够直接从数据中获取它。

Potential Outcomes

在因果推断中，do算子能帮助定义一个既酷炫又广泛使用的概念——反事实或潜在结果：

$Y_{ti}=Y_i|do(T_i=t)$

你可以这样理解："如果把个体i的干预设置为t，那么i的结局将会是Y。"有时候，我会用函数记号来定义潜在结果，因为下标可能会变得过于拥挤：

$Y_{ti}=Y(t)_i$

当讨论二元处理（接受处理与否）的情况时，我会用Y0i表示个体i在无处理情况下的潜在结果，而Y1i表示个体i在接受处理情况下的潜在结果。我也会将其中一个潜在结果称为事实结果，即我可以观察到的结果；而另一个则称为反事实结果，意味着它无法被观察到。例如，如果个体i接受了处理，我可以观察到它在处理下的变化，也就是说，我可以观察到 $Y_{1i}$ ，我将之称为事实潜在结果。相反，我无法看到如果个体i没有接受处理会发生什么，即我无法看到 $Y_{0i}$ ，因为它属于反事实结果：