本文介绍因果推断（Causal Inference）相关概念
参考资料
- 讲的比较好的入门材料：
- 阿里发的一篇论文，用神经网络实现的二分类Uplift模型：
什么时候需要因果推断？
- 是否需要因果推断主要取决于是否存在混淆因素/混淆因子（Confounders） ，即 treatment 是否是足够随机的（不受其他因素影响）
- 如果 treatment 是完全随机分配的（即在每个状态下，treatment 是随机决定的），那么观察到的影响差异可以直接归因于 treatment 的变化，此时相关性即因果性 ，理论上不需要复杂的因果推断方法
有“足够多随机数据”时是否需要因果推断？
- 若“随机”指完全随机实验 ：不需要因果推断，直接建模即可
- 若“随机”仅指数据量大 ：仍需因果推断，因为数据量不能解决混淆偏差问题
出价中是否需要因果推断？
- 如果出价是随机分配的 ，则可以直接用统计模型直接拟合
收益 = f(状态，出价），无需因果推断，因为随机化已消除混淆偏差 - 如果出价是策略性选择的（如历史数据中出价高低与状态相关），则存在混淆偏差（confounding），必须用因果推断方法（如双重机器学习、倾向得分匹配）来估计条件平均处理效应（CATE）
- 例如：高收益场景下系统更倾向出高价，此时出价与收益的关联可能混入了状态的影响
因果推断中的一致性假设
- 一致性假设指的是：对于某一研究对象，其接受的处理（Treatment）与潜在结果（Potential Outcome）之间存在唯一且明确的对应关系
- 具体来说，若个体 \(i\) 接受了处理 \(Z_i = z\)，那么该个体的观测结果 \(Y_i\) 必然等于其在处理 \(z\) 下的潜在结果 \(Y_i(z)\)，即：
$$Y_i = Y_i(Z_i)$$
- 具体来说，若个体 \(i\) 接受了处理 \(Z_i = z\)，那么该个体的观测结果 \(Y_i\) 必然等于其在处理 \(z\) 下的潜在结果 \(Y_i(z)\)，即：
一致性假设的作用
- 在因果推断中，我们通常需要比较同一主体在不同处理下的潜在结果差异（如因果效应 \(Y_i(1) - Y_i(0)\)），但现实中个体只能接受一种处理，无法同时观测到两种结果。一致性假设确保了：
- 当个体接受处理 \(Z=1\) 时，观测结果 \(Y_i\) 等于其潜在结果 \(Y_i(1)\)；
- 当个体接受处理 \(Z=0\) 时，观测结果 \(Y_i\) 等于其潜在结果 \(Y_i(0)\)
- 如此一来，我们才能通过分组（如处理组和对照组）的观测结果差异，来推断处理的因果效应（如平均因果效应 \(E[Y(1) - Y(0)]\)）