因果推断知识地图：从随机实验到自适应决策的完整拼图

简介这份资源是斯坦福大学Stefan Wager撰写的《Causal Inference: A Statistical Learning Approach》2024年9月草稿版面向数据科学、统计学、经济学与公共政策领域的学生和研究者帮助其用统计学习方法系统理解因果关系。全书从随机对照试验中的差异均值估计与回归调整讲起依次覆盖无混淆性与倾向得分、双重稳健方法与双重机器学习、异质处理效应、政策学习、自适应实验、平衡估计器及回归断点设计并延伸至内生处理、工具变量、局部平均处理效应与干扰下的估计等进阶主题目录结构清晰便于按章节循序渐进。资源包为1个PDF文件大小约1.66MB轻量便携适合打印或平板阅读。目前已有2003人学习可作为因果推断课程教材或科研参考手册使用。1. 因果推断知识地图从随机实验到自适应决策的完整拼图因果推断这门课很多人第一次翻开目录会觉得“章节好多、跨度好大”——从随机对照试验一路讲到回归断点、工具变量、溢出效应、事件研究、动态策略中间还夹着倾向得分、双重稳健、异质处理效应、政策学习、自适应实验。乍看像十几个互不相干的专题拼盘但梳理下来会发现它其实是一条主线串起来的先建立“因果效应是什么、怎么在理想实验里估”的地基再逐步放松假设——放松“无混杂”、放松“无溢出”、放松“处理是外生的”、放松“实验是静态的”每放松一层就补一套新工具。斯坦福 2024 这份教材草稿Stefan Wager 著正是按这个逻辑排的章节16 章、约 200 多页覆盖 RCT、无混杂与倾向得分、双重稳健、异质效应、政策学习、自适应实验、平衡估计器、RDD、内生处理、LATE、溢出与干扰、事件研究、动态策略、MDP 与 switchback 实验。它适合已经学过概率统计与回归、想系统补齐因果推断工具箱的数据科学学习者也适合备考时拿来当“地图 查漏”的底本。下面按模块把重点、难点和易错点拆开讲。2. 随机实验地基差异均值、回归调整与 SUTVA 的复习重点2.1 潜在结果框架与两个估计量整本书的起点是 Neyman–Rubin 潜在结果模型每个个体 i 有两个潜在结果 Y_i(1)、Y_i(0)个体因果效应 Δ_i Y_i(1) − Y_i(0)但根本问题是只能观测到一个Δ_i 永远不可直接观测。于是目标转向样本平均处理效应 SATE 和总体平均处理效应 ATE。最朴素的估计量是差异均值# 差异均值估计量处理组均值 - 对照组均值 # W 为 0/1 处理指示Y 为观测结果 def diff_in_means(W, Y): treated Y[W 1] control Y[W 0] return treated.mean() - control.mean()这个估计量在 SUTVA个体结果不受他人处理影响加随机分配下是有限样本无偏的且几乎不需要分布假设——这是它最值钱的地方。但无偏不等于最优它没有利用协变量 X方差往往偏大。回归调整就是在 RCT 里把基线协变量放进回归用 X 解释掉一部分结果变异从而收紧置信区间。重点在于回归调整在 RCT 里主要买的是精度不是去偏如果模型设定错了在完全随机实验里它仍近似无偏但在处理概率不均的设计里就要小心。2.2 渐近推断与易被忽略的方差细节差异均值的中心极限定理给出方差 V_DM Var[Y(0)]/(1−π) Var[Y(1)]/π其中 π 是处理概率。这里最容易翻车的是把 π 当成样本里实际的处理比例 n₁/n 直接套——在 Bernoulli 试验里两者渐近一致但在完全随机化或配对设计里实际处理数是被固定的方差公式要相应调整。另一个易漏点是有限样本无偏性依赖 n₀0、n₁0极端不平衡设计下估计量行为会退化。复习时建议把“无偏性靠随机化、区间估计靠抽样假设”这两层分开记定理 1.1 不需要总体抽样假设定理 1.2 才引入 IID 抽样与 Bernoulli 处理混在一起记是常见错误。3. 去混杂三板斧倾向得分、逆概率加权与双重稳健3.1 分层、IPW 与双重机器学习的分工一旦离开 RCT 进入观察性研究核心假设换成无混杂给定协变量 X处理分配与潜在结果独立。第一件工具是倾向得分 e(X)P(W1|X)它把高维 X 压成一维于是可以分层估计或做逆倾向加权IPW# 逆倾向加权IPW估计 ATE # e_hat 为倾向得分预测值需截断避免极端权重 def ipw_ate(W, Y, e_hat, clip0.01): e np.clip(e_hat, clip, 1 - clip) # 截断防止权重爆炸 return np.mean(W * Y / e - (1 - W) * Y / (1 - e))IPW 的直觉是“给难被处理却真被处理的个体更大权重”但它的方差对极端倾向得分极其敏感截断是血泪经验。第二件工具是双重稳健把结果回归和倾向得分结合只要其中一个模型设定正确估计就一致。教材第 3 章的双重机器学习DML进一步用交叉拟合cross-fitting消除过拟合带来的正则偏倚这是近年数据科学里最常被引用的方法之一。重点在于理解“双重稳健”稳健的是什么——是模型误设不是极端权重或重叠性缺失。3.2 平衡估计器从“估得分”转向“直接求平衡”第 7 章的平衡估计器是一个容易被跳过但很值得看的模块与其先估倾向得分再加权不如直接构造使协变量加权后均值相等的权重协变量平衡倾向得分再配合增广估计量。梳理下来会发现这条线和 IPW 是同一目标的两条路径——一个重“预测处理”一个重“实现平衡”。复习时把 IPW、增广 IPW、平衡权重三者的目标函数摆在一起对比比单独背公式有效得多。4. 异质效应与政策学习从“平均”走向“谁受益、怎么决策”4.1 异质处理效应的半参数建模与损失函数平均效应回答不了“对谁有效”。第 4 章用半参数建模刻画 τ(x)E[Y(1)−Y(0)|Xx]并引入一个专门为处理异质性设计的损失函数——它的巧妙之处在于不需要观测到个体效应而是用类似“变换后结果”的代理目标来训练。重点难点是异质效应估计的收敛速度通常慢于平均效应因为要在每个 x 上估所以小样本下 CATE 曲线抖动是常态不是代码写错了。常见误用是把 CATE 预测直接当因果结论汇报忽略了置信区间。4.2 政策学习与经验福利最大化第 5 章把异质效应接到决策上给定一个策略 π(x)把个体分到处理或对照用经验福利最大化来学最优策略。这里的关键概念是策略评估与策略学习要分开——先能无偏评估一个给定策略的价值再去搜最优策略。易错点是把“学出来的策略在训练集上福利最高”当成结论忽略了策略过拟合教材强调用类似双重稳健的评估器来给策略价值做推断这一步不能省。5. 放松假设的进阶模块RDD、内生处理、LATE 与溢出效应5.1 回归断点与局部线性回归第 8 章的 RDD 是“处理由某个连续变量是否越过阈值决定”的场景。核心是局部线性回归只在断点附近取窗宽内的样本拟合两侧直线断点处的跳跃即处理效应。重点难点全在窗宽和偏差——窗宽太大引入曲率偏差太小方差爆炸。教材第 8.2 节讲优化估计与偏差感知推断本质是给“局部线性”这个近似补一个偏差修正项。易漏点RDD 的识别依赖断点附近个体不能操纵阈值变量这个假设要在数据里找证据如阈值附近密度是否异常不能默认成立。5.2 内生处理、工具变量与 LATE第 9、10 章处理“处理不是随机、还有未观测混杂”的情形结构方程与 do-calculus 给出一套形式化语言工具变量回归给出可操作估计。工具变量要满足相关性、外生性、排除限制三条缺一不可。第 10 章的 LATE 进一步说明在有非依从的 RCT 里IV 估的不是 ATE而是依从者子群的平均效应。这是最容易被误读的结论之一——把 LATE 当 ATE 汇报是复习和实战里都高频的翻车点。5.3 溢出与干扰SUTVA 失效之后第 11、12 章专门对付 SUTVA 被破坏的场景网络、群体干预。工具是暴露映射exposure mapping把“他人的处理”编码进个体暴露再用置换检验做推断。重点在于一旦有干扰差异均值不再无偏必须重新定义“处理效应”到底相对于哪种暴露水平。这部分概念密度高复习时先抓住“暴露映射怎么定义”再谈估计否则公式会看得很飘。6. 时间维度与动态决策事件研究、自适应实验与 MDP6.1 双重差分、合成控制与事件研究第 13 章把视角拉到面板数据双重差分DID用“处理前后 × 处理对照”的差来识别效应合成控制用加权组合构造反事实对照。重点难点是平行趋势假设——DID 的全部可信度押在“没有处理时两组趋势相同”上这个假设不可直接检验只能做事件研究图看处理前趋势是否平稳。易错点处理时点交错时朴素双向固定效应 DID 会有负权重问题教材的框架提醒我们要对估计量结构保持警惕。6.2 自适应实验与动态策略第 6 章讲自适应数据收集低遗憾算法与收集后的推断第 14、15 章讲序贯无混杂下的动态策略、双重稳健估计、MDP 的长期平均价值与 switchback 实验。这一块是全书最“现代”的部分也最容易和经典方法混淆自适应收集会让常规置信区间失效必须用针对自适应过程修正的推断方法。复习时把“静态 RCT 推断”和“自适应后推断”的差异单独列一栏比混着记清楚得多。7. 易错点清单五个最容易漏的复习盲区易漏点一把无偏性和一致性混为一谈。为什么漏两者都叫“好性质”公式长得近。怎么补无偏看有限样本期望一致性看 n→∞ 收敛差异均值两者都占但很多观察性估计量只有后者。易漏点二倾向得分截断随手设。为什么漏截断阈值像超参数容易被当成无关紧要。怎么补截断直接改变估计目标从 ATE 偏向重叠人群复习时明确写清截断后估的是哪个群体。易漏点三把 LATE 当 ATE。为什么漏IV 输出一个数看起来就像平均效应。怎么补记住 IV 识别的是依从者子群汇报时标注子群定义。易漏点四RDD 窗宽与偏差修正脱节。为什么漏只调窗宽不做偏差感知推断区间会偏窄。怎么补把窗宽选择和偏差修正当成一对一起调。易漏点五自适应实验后直接用常规区间。为什么漏数据收集规则变了抽样分布也变了。怎么补凡是有自适应分配推断方法必须配套换。8. 复习落地一张自查表加一套走查习惯把上面模块收成可执行的自查表复习时逐行打勾比通读目录有效模块必答问题自查信号RCTSUTVA 与随机化是否都成立方差公式用的是 π 还是 n₁/n倾向得分重叠性够不够、权重截断没极端权重占比双重稳健哪个模型可能对、交叉拟合做了没两模型结论是否打架异质效应CATE 有没有区间小样本抖动是否被误读政策学习策略评估与学习是否分开训练集福利是否虚高RDD阈值可操纵性查了没断点附近密度图IV/LATE三条工具变量假设逐条过汇报的是哪个子群溢出暴露映射怎么定义置换检验是否用上事件研究平行趋势图平不平交错处理时点自适应推断方法是否配套区间是否被修正我自己的习惯是每读完一章先不看公式用一句话写出“这一章放松了哪个假设、换来了哪个新工具、代价是什么”写不出来就说明这章还没进脑子。从那以后我每次复习因果推断都强制走一遍“假设—工具—代价”三栏走查比刷题更能暴露盲区。这份教材草稿章节全、推导细配合上面的地图和自查表用能把零散知识点串成一条线。希望帮到你。本文还有配套的精品资源点击获取