因果推断用干预问题区分相关关系与作用机制

预测模型回答的是“看到这些特征时结果通常是什么”，因果推断关心的是“主动改变某个因素后结果会怎样”。两个问题可能使用同一份观测数据，却需要不同的假设和验证方式。相关性可以由共同原因、选择机制或测量过程造成，单靠更复杂的拟合不能把它自动变成因果关系。

因果分析的起点不是选择算法，而是明确处理、结果、目标人群和希望比较的干预。一个关于药物、政策或推荐策略的问题，必须说明干预发生在什么时点、替代方案是什么、结果在多长时间后测量。问题没有被精确定义时，任何“影响”数字都缺少稳定含义。

因果图把假设放到可检查的位置

有向无环图用节点表示变量，用箭头表示直接因果关系。图不是从相关矩阵机械学习出的事实，而是领域知识、研究设计和数据生成过程的声明。它帮助分析者讨论哪些变量是共同原因，哪些位于作用路径上，哪些由选择或测量过程产生。

混杂变量同时影响处理和结果。例如评估培训对收入的影响时，既影响参训意愿又影响收入的工作经验会造成混杂。直接比较参训者和未参训者，得到的差异包含培训作用与人群构成差异。合适的调整集要阻断处理与结果之间的后门路径，同时保留真正的因果路径。

并非变量越多越好。中介变量位于处理到结果的作用路径上，若目标是总效应，调整中介会截断一部分真实作用。碰撞点由两个变量共同导致，对它或其后代进行条件化，反而可能打开原本关闭的路径。因果图的价值正是在建模前识别这些错误，而不是在结果不理想后解释系数。

Judea Pearl 等人的因果推断入门资料系统说明了图、干预和混杂之间的关系：https://bayes.cs.ucla.edu/PRIMER/ 。图中缺少一条边意味着特定条件独立假设，这类假设需要由领域知识和研究设计支持，不能只凭图形简洁性接受。

干预分布不同于条件分布

观测条件概率描述在数据中看到处理值时结果的分布。干预则切断处理变量原有的生成机制，把它设置为给定值，再考察结果变化。记号上的区别提醒我们：知道吸烟者更常患病，并不等同于已经估计强制改变吸烟状态的后果。

随机试验通过分配机制使处理在期望上独立于干预前特征，因此为效应估计提供清楚基础。实际试验仍会受到失访、不依从、测量误差和样本代表性的影响。随机化保护的是组间可比性，不保证目标人群外推，也不自动决定应估计意向治疗效应还是依从者效应。

观测研究缺少随机分配，需要借助可交换性、一致性和正值性等条件。可交换性要求在给定调整变量后，处理组与对照组在潜在结果上可比；一致性要求处理定义足够明确，使观察到的处理与设想干预相对应；正值性要求每类相关人群都有接受各比较处理的可能。任何条件严重违背，精致估计器也无法恢复缺失的比较。

调整方法服务于识别而不是替代识别

回归调整、匹配、分层、逆概率加权和双重稳健方法，都是在明确识别条件后估计目标量的工具。倾向得分表示给定协变量后接受处理的概率，可用于构造可比样本或权重。它平衡的是已测量且正确进入模型的变量，不能消除未观测混杂。

实施时要先检查处理组重叠。若某些人几乎必然接受或拒绝处理，权重会很大，估计对少数观测异常敏感。截尾或限制目标人群能够提高稳定性，但也改变了所回答的问题。平衡诊断应比较加权或匹配后的协变量分布，而不是把倾向模型的分类准确率当成成功标准。

结果模型和处理模型的函数形式也会带来偏差。灵活机器学习可缓解简单线性假设，却可能过拟合并在同一数据上产生乐观结果。样本拆分、交叉拟合和预先规定分析方案有助于减少这种依赖，但无法弥补错误因果图、模糊处理或关键变量缺失。

时间顺序与选择机制必须单独处理

纵向数据中，协变量可能既受过去处理影响，又影响未来处理和结果。普通回归把这类时变混杂变量直接加入模型，可能同时控制真实路径并引入偏差。需要按研究问题考虑边际结构模型、序贯试验模拟或其他显式处理时间顺序的方法。

选择进入样本、持续留在研究中或被观测到，也可能形成碰撞偏差。只研究完成治疗的人，会把疗效与坚持治疗的共同原因混在一起。平台日志同样存在选择：只有曝光、点击或允许追踪的用户才留下记录。数据量大不会消除这种机制，反而可能让有偏估计更稳定。

缺失数据应区分随机缺失假设与由结果、处理共同驱动的非随机缺失。插补模型需要包含与缺失机制有关的信息，并把插补不确定性传递到结果。简单删除缺失记录会悄悄改变目标人群。

因果结论需要敏感性分析与负向证据

统计显著不能证明识别假设成立。应检查未测量混杂需要多强才会推翻结论，比较不同合理调整集，使用负向对照识别残留偏差，并说明测量误差、干预版本和样本外推限制。多个方法得出相近结果只能增加稳健性证据，前提是它们没有共享同一个错误假设。

异质性效应要在预先定义的群体和足够样本中评价。大量探索后只报告差异最大的亚组，会制造不稳定结论。政策决策还要把平均效应与风险分布、成本、公平性和可实施性结合，不能让单一效应值代替完整判断。

《Artificial Intelligence: A Modern Approach》提供概率推断、决策与学习的系统背景：https://aima.cs.berkeley.edu/ 。在机器学习系统里，因果推断最重要的工程纪律是保存干预定义、变量时点、纳入规则、调整集、估计目标和敏感性结果。这样结论才能被复核，也能在数据生成机制变化时知道哪些部分需要重做。

资料依据

• Judea Pearl、Madelyn Glymour、Nicholas P. Jewell：Causal Inference in Statistics: A Primer，https://bayes.cs.ucla.edu/PRIMER/
• Stuart Russell、Peter Norvig：Artificial Intelligence: A Modern Approach，第四版，https://aima.cs.berkeley.edu/