因果推断（一）：因果推断涉及的各种变量

写在前面：最近开始学习因果机器学习，想着整理一下其中的涉及到一些专有名词和一些概念。后面的话会更多以代码的方式记录一下我的学习过程。

变量

在统计学和数据分析领域，变量是表示某种属性、特征或度量的符号和标签。变量可以是数值型，也可以是类别型。

处理变量

随机对照实验是统计学的黄金标准。一个随机对照实验中，所有影响结果变量的因子要么是静态的要么是随机变化的，所以一定是唯一的输入变量导致了结果变量的变化。然而，许多问题不适合随机对照实验。在随机对照实验不好开展的情况下，学者转而进行观察性研究，即记录数据而不是控制数据。这样的问题是很难将因果与单纯的相关关系中区分开来。
对一个变量干预与以一个变量为条件是不同的。我们干预一个变量时固定了它的值，改变了系统后其他变量的值通常因此改变。我们以一个变量为条件时，什么也没改变，只是将注意力集中在这个变量取我们感兴趣值的子集上。
这里所说的干预变量就是处理变量，也就是treatment。分为二元处理变量和连续处理变量。

结果变量

结果变量分为潜在结果和观测结果，当满足一致性假设时，潜在结果 = 观测结果
这里引入三个因果推断的基本假设的一致性假设（Consistency）

假设一：稳定单位处理值假设（SUTVA, Stable Unit Treatment Value Assumption），也叫一致性假设（Consistency）

任何单位的潜在结果，不会因为分配给其他单位的处理而变化。并且对于每个单位，每个处理水平的不同形式或版本不会导致不同的潜在结果。
简单讲就是，1：每个样本不会以为其他样本的不同处理，带来不同的结果（独立性）。2：一次处理只能带来一种结果（唯一性）。

协变量

协变量分为混杂变量，工具变量。
混杂变量：同时影响处理变量和结果变量
工具变量：与混杂变量独立，不直接影响结果变量，会直接影响处理变量

ps
在使用econml这个库时，训练模型的时候，会需要传入一个W参数，解释为 Controls for each sample。但是在使用causalml在训练模型时并没有这个参数传入的需求！

References

1. https://matheusfacure.github.io/python-causality-handbook/08-Instrumental-Variables.html
2. https://zhuanlan.zhihu.com/p/614127625