Skip to main content

因果推断目前概念

Aaron L9/17/25About 5 minCausal inferenceWhat-if book reading notesCausal inference

以下是对因果推断领域所有23个核心概念的系统性介绍，严格遵循您提供的框架：

1. 因果效应 (Causal Effect)

  • 定义
    因果效应指干预（如药物治疗）对结局（如生存率）的净影响，需通过比较同一对象在干预与未干预下的潜在结局（Potential Outcomes）来定义。例如：个体服药后生存时间 (Y^{a=1}) 与未服药生存时间 (Y^{a=0}) 的差值 (Y^{a=1} - Y^{a=0})。

  • 随机实验 (Randomized Experiments)
    通过随机分配干预（如抛硬币分组），确保干预组与对照组除干预外特征可比。黄金标准方法，可消除混淆偏差（如年龄对疗效的影响）。

  • 观察性研究 (Observational Studies)
    基于自然状态下的观测数据（如电子病历），需用统计方法（如倾向评分）模拟随机化，但受未测量混杂因素威胁（如未记录的吸烟史）。

2. 因果效应的修饰和交互

  • 效应修饰 (Effect Modification)
    干预效应因第三变量（修饰因子）而异。例如：药物对男性效果（风险差 +10%） vs 女性（-5%），需按性别分层报告效应。

  • 交互作用 (Interaction)
    两个干预共同作用时效应非相加。如药物A单独降低死亡率5%，药物B降低3%，但联用降低15%（协同作用）。

  • 因果效应的图像表示
    使用有向无环图 (DAG) 可视化变量间因果关系（箭头表示影响路径），辅助识别混杂因子（如年龄同时影响用药和康复）。

3. 因果推断的干扰和偏差

  • 干扰因子 (Confounding)
    混杂因子（如年龄）同时影响干预与结局，导致虚假关联。解决方案：调整/分层分析（如按年龄分组比较药效）。

  • 选择偏差 (Selection bias)
    样本选择与干预/结局相关。例如：仅纳入幸存者研究药物效果（忽略死亡病例），导致高估疗效。

  • 测量偏差 (Measurement bias)
    变量测量误差（如血压计不准）扭曲效应估计。若误差与干预相关（如干预组更频繁测量），偏差更严重。

4. 因果推断的模型和随机性

  • 随机变异性 (Random variability)
    由抽样误差引起的效应估计波动，用置信区间量化（如95% CI: 2%~8% 表示真实效应有95%概率在此区间）。

  • 为何使用模型
    模型（如线性回归）可同时调整多个混杂因子，解决分层分析维度爆炸问题（如年龄×性别×病史的组合过多）。

  • 逆概率加权 (IPW) 与边缘结构模型 (MSM)

    • IPW：为每个个体赋予权重 (W = 1/P(A|L))（(A)=干预, (L)=混杂因子），构建“伪总体”消除混杂。
    • MSM：基于IPW的模型，直接估计群体平均因果效应（如全人群服药 vs 不服药的死亡率差）。

5. 因果推断的公式和模型

  • 标准化与参数G公式

    • 标准化：按混杂因子分层计算效应，再加权平均（如按年龄组计算药效后，以人口年龄分布加权）。
    • G公式：通过模型预测反事实结局（如拟合 (E[Y|A,L])），模拟不同干预策略下的结局（“如果所有人服药，死亡率会是多少？”）。

  • G-估算与结构嵌套模型

    • G-估算：估计结构嵌套模型参数，直接建模效应异质性（如药效如何随年龄变化）。
    • 结构嵌套模型：定义条件因果效应（如 (E[Y^a - Y^{0}|L])），适用于时变干预（如随时间调整剂量）。

  • 结局回归与倾向性评分

    • 结局回归：直接建模 (Y \sim A + L)（结局~干预+混杂因子），依赖模型设定正确。
    • 倾向性评分：用 (P(A=1|L))（如Logistic回归预测服药概率）匹配/分层/加权，使组间混杂均衡。

6. 因果推断的生存分析和变量

  • 工具变量 (Instrumental Variables, IV)
    利用与干预相关但不直接影响结局的变量（如地理距离医院），解决未测量混杂。需满足：
    ① 相关性：IV→干预
    ② 排他性：IV→结局仅通过干预
    ③ 独立性：IV与混杂无关

  • 生存分析中的因果推断
    处理删失数据（如失访）和时间依赖性混杂（如住院期间用药变化）。使用结构Cox模型或G公式估计干预对生存时间的影响。

  • 变量选择
    优先纳入因果充分集（基于DAG的最小混杂集），避免调整无关变量（可能引入偏差）或遗漏关键混杂。

7. 使用机器学习进行因果推断

  • 元学习器 (Meta-learner)
    组合ML模型估计因果量：

    • S-Learner：单一模型 (Y \sim A + L)，预测反事实
    • T-Learner：干预组/对照组分别建模
    • X-Learner：用对照组模型矫正干预组预测

  • 因果推断树 (Causal Tree)
    递归分割数据，最大化组间效应差异（如年龄>60岁组药效显著更强）。用于识别效应修饰亚组。

  • 价值优化方法 (Value Optimization)
    结合强化学习与因果推断，学习最优决策策略（如给特定患者开药A而非药B）。通过Q-learning或策略梯度最大化长期结局。

关键点总结：因果推断的核心是反事实推理（若不干预会怎样？），需区分关联与因果。传统方法（IPW/G公式）依赖强假设（无未测混杂），机器学习提供灵活建模但需谨慎验证。实际应用中，DAG指导变量选择，敏感性分析评估未测混杂影响。