【因果推断的统计方法】潜在结果模型

潜在结果模型的主要内容包括：定义、推理、假设

潜在结果模型，核心假设-没有操纵就没有因果（No Causation without Manipulation）

定义1: ACE average causal effect

总体的平均因果作用（average causal effect）定义为个体因果作用的期望：
$$ACE=C(ICE)=E(Y_1-Y_0)=E(Y_1)-E(Y_0)$$
平均因果作用定义为：假设所有个体都接受$X=1$的平均结果$E(Y_1)$于假设所有个体都接受$X=0$的平均结果$E(Y_0)$，这只是理想状态，在现实中不可能让所有个体都做$X=1$处理，在接受$X=0$处理，及时这样处理之后，得到的Y可能也不一致。
这里可以用于某一个子总体的平均因果作用，比如：A药对于男性和女性群体的疗效如何？

定义2：

令$V$为协变量，定义$V=v$子总体的平均作用为$E(Y_1-Y_0|V=v)$
人们常常关心处理组的因果作用，例如, 流行病学家并不关心吸烟对整个人群的因果作用,而只关心吸烟对吸烟人群的因果作用.

定义3：

处理组的平均因果作用定义为$E(Y_1-Y_0|X=1)$
称平均因果作用$ACE=E(Y_1-Y_0)$为可识别的，如果ACE可以由观测变量的分布$pr(X,Y,V)$唯一确定。如果ACE不可识别，则以为这只是存在两个不相等的$ACE\ne ACE$满足观测到的数据，可以识别性往往是因果推断中最棘手的问题. 为了得到因果作用的可识别性, 通常需要有额外的假定.随机化试验是识别因果作用最有效的方法.

随机化实验

统计学家Fisher给出了识别平均因果作用的方法：随机化实验设计，随机化处理分配$X$给个体$i$,例如，确定个体$i$的处理$X$，与潜在结果及协变量的取值无关，可以保证潜在结果$(Y_1,Y_0)$与处理分配$X$独立，即在随机化分配下，有$(Y_1,Y_0)\coprod X$有，

在随机化分配下, 平均因果作用表示为观测到的结果变量$Y$在处理组$X=1$与对照组$X=0$中期望之差不再含有潜在结果变量$Y_1$和$Y_0$，因此，他是可识别的，通过分别估计$E(Y|X=1)$和$E(Y|X=0)$，传统的统计推断方法可以用来推断平均因为作用。
在随机化试验中，例如，研究吸烟对肺癌的作用，不能随机化分配一个人吸烟或不吸烟。在实际经常面临的其他问题，如代价昂贵和个体不依从等也都限制了随机化试验的作用。