Skip to main content

Chapter 1 by o3 mini

Aaron L9/17/25About 6 minCausal inferenceChapter 1What-if book reading notes

下面给出本章节“因果推断 what if —— 因果效应的定义”的全部要点、中英文双语总结，所有结论都使用标准 LaTeX 数学公式格式书写。请仔细阅读以下内容：

1. 概述 (Overview)

本章目的在于用数学符号形式精确定义因果效应，以补充我们日常直观认识（“what if”思维）的描述。作者引入了潜在结果（或反事实结果）的概念，为后续严格推断因果效应奠定了符号系统基础。

This chapter formalizes the intuitive “what if” reasoning about causal effects using mathematical notation. It introduces potential outcomes (or counterfactual outcomes) to precisely define the concepts used throughout the book.

2. 个体因果效应 (Individual Causal Effects)

  • 定义：对某个个体而言，当干预取值为 a=1a=1 与 a=0a=0 时分别对应的潜在结果为  

  $$Y(a=1) \quad \text{和} \quad Y(a=0).$$  

  个体因果效应定义为这两个潜在结果的差异，即  

  $$\text{Individual Effect} = Y(a=1) - Y(a=0).$$

  • 举例：  

  - Zeus：若接受移植，则 Y(a=1)=1Y(a=1)=1（死亡），若不接受则 Y(a=0)=0Y(a=0)=0（存活），因此干预对 Zeus 有效应。  

  - Hera：两个潜在结果相同（Y(a=1)=Y(a=0)=0Y(a=1)=Y(a=0)=0），说明无效应。

  • 一致性假设（Consistency）：  

  若个体观察到的处理水平为 A=aA=a，则他的观察结果和对应的潜在结果一致，即  

  $$Y = Y(A).$$

3. 平均因果效应 (Average Causal Effects)

  • 聚合个体效应得到总体或平均效应。设总体中每个个体的潜在结果为 Yi(a)Y_i(a)，则总体平均效应为  

  $$E[Y(a=1)] - E[Y(a=0)].$$

  • 等价观点：对于二分类结局（例如死亡）可以理解为风险（risk）的差异，形式上写为  

  $$\Pr\Bigl(Y(a=1)=1\Bigr) - \Pr\Bigl(Y(a=0)=1\Bigr)$$  

  或更一般地  

  $$E\Bigl[Y(a=1)\Bigr] - E\Bigl[Y(a=0)\Bigr].$$

  • 当两组总体风险相等时（例如书中例子：均为 0.5），就称因果效应为零，即“因果无效应”的尖锐（sharp null）假设成立。

4. 关于干预的细致讨论 (Fine Points)

4.1 干预相互干扰 (Interference)

  • 假定个体 ii 的潜在结果 Yi(a)Y_i(a) 不受其他个体干预 aa 取值影响（无干扰），若存在干扰，则需对特定情境下讨论，例如“在 Hera 接受移植时 Zeus 的结果……”。  

  • 这一假定属于稳定单元处理值假设（SUTVA）。

4.2 处理的多种版本 (Multiple Versions of Treatment)

  • 默认假设某一处理 A=aA=a 只有唯一版本。若存在多个版本（例如不同的手术医生、方法），则潜在结果需要对特定版本明确说明。  

  • 当不同版本具有相同效应时，可引入“处理变异不敏感性”（treatment variation irrelevance）假设。

5. 效应测量 (Measures of Causal Effect)

  • 风险差 (Risk Difference)  

  $$\Delta = \Pr\Bigl(Y(a=1)=1\Bigr) - \Pr\Bigl(Y(a=0)=1\Bigr).$$

  • 风险比 (Risk Ratio)  

  $$RR = \frac{\Pr\Bigl(Y(a=1)=1\Bigr)}{\Pr\Bigl(Y(a=0)=1\Bigr)}.$$

  • 比值比 (Odds Ratio)  

  用于对比处理下的赔率，可写为  

  $$OR = \frac{\Pr\Bigl(Y(a=1)=1\Bigr)/\Pr\Bigl(Y(a=1)=0\Bigr)}{\Pr\Bigl(Y(a=0)=1\Bigr)/\Pr\Bigl(Y(a=0)=0\Bigr)}.$$

  • 需治疗人数 (Number Needed to Treat, NNT)  

  当风险差为负时，定义为  

  $$\text{NNT} = -\frac{1}{\Pr\Bigl(Y(a=1)=1\Bigr)-\Pr\Bigl(Y(a=0)=1\Bigr)}.$$

这些不同测度代表相同的因果效应在不同尺度上的描述，应依据具体推断目的而选用。

6. 随机变异 (Random Variability)

作者讨论了两种随机误差来源：

6.1 取样误差 (Sampling Variability)

  • 在实际研究中仅能收集样本数据，利用样本比例 Pr⁡^[Y(a)=1]\hat{\Pr}[Y(a)=1] 来估计总体概率 Pr⁡[Y(a)=1]\Pr[Y(a)=1]。  

  • 随机误差服从大数定律，随着样本量增大估计趋于一致。

6.2 非确定性反事实 (Nondeterministic Counterfactuals)

  • 可考虑潜在结果为随机变量。例如，个体 Zeus 在接受治疗时可能有 90% 的死亡概率而非确定性 100%。  

  • 这种情况要求采用分布函数描述，每个个体的 Y(a)Y(a) 不再是固定值，而具有概率分布 ΘY(a)(⋅)\Theta_{Y(a)}(\cdot)。  

  • 平均潜在结果仍写为  

  $$E[Y(a)] = \int y , dF_{Y(a)}(y).$$

在本书前面章节中，为简化问题，通常假设反事实结果是确定的且讨论的是超大总体（或全体个体的数据）。

7. 关联 (Association) 与 因果 (Causation) 的区别

  • 因果效应讨论的是如果整个总体都接受或都不接受干预时的潜在结果，即比较 Pr⁡(Y(a)=1)\Pr(Y(a)=1) 的差异；  

  • 关联性讨论的是在观察数据中，根据实际接受处理 A=aA=a 的群体，其条件风险 Pr⁡(Y=1 ∣ A=a)\Pr(Y=1\,|\,A=a) 的比较。

公式表述：

  • 因果：  

  $$E[Y(a=1)] \neq E[Y(a=0)]$$  

  表示如果全体接受不同处理，结果将不同。

  • 关联：  

  $$E[Y,|,A=1] \neq E[Y,|,A=0]$$  

  仅描述实际观察到的分布。

这一区分解释了“关联不等于因果”的经典警句。真实数据往往受混杂因素影响，因此观察到的关联不一定反映真正的因果效应。

8. 总结 (Summary)

  • 本章用数学符号（如 Y(a)Y(a)、E[⋅]E[\cdot]、Pr⁡(⋅)\Pr(\cdot)）对因果效应进行了形式化定义。  

  • 个体因果效应由潜在结果的比较给出，一致性假设保证观察结果与对应的反事实一致。  

  • 聚合个体效应得到平均因果效应，其测度可采用风险差、风险比、比值比与 NNT 等。  

  • 在定义因果效应时，必须假定无干扰（SUTVA）及处理的唯一性（或处理变异不敏感性）。  

  • 随机误差来源包括取样变异与反事实本身的随机性，但在本书初期常作确定性处理。  

  • 最后，因果推断要求回答“如果全体接受某种干预会怎样？”的问题，这与仅描述观察数据中处理与结局之间关联截然不同。

中文小结

本章节介绍了如何用严格的数学符号定义因果效应，其核心在于建立下列几个概念：

  1. 个体的潜在结果 Y(a=1)Y(a=1) 与 Y(a=0)Y(a=0) 表示在不同干预下可能出现的结局，二者之差就是个体因果效应。  

  2. 一致性假设要求观察到的结果 YY 与对应实际处理下的潜在结果 Y(A)Y(A) 一致。  

  3. 聚合所有个体的效应形成平均因果效应，即 E[Y(a=1)]−E[Y(a=0)]E[Y(a=1)]-E[Y(a=0)]，可以用来衡量总体干预效应。  

  4. 对干预进行严格讨论时，还必须考虑处理干预之间互不干扰（无干扰）以及只有唯一处理版本的假定。  

  5. 因果效应可通过风险差、风险比、比值比以及 “需治疗人数” 等指标进行定量描述。  

  6. 随机误差来源包括样本变异与反事实本身的随机性，但在基本推导中常做确定性假设。  

  7. 最后强调，因果推断关心的是“如果大家都采取某种处理会怎样”，这与观察数据中单纯的条件关联截然不同。

通过本章内容，我们建立了以数学符号表述的因果推断基础工具，为后续更复杂的因果推理和统计推断开展工作奠定了坚实的理论基础。

以上即为本章节的核心内容总结，涵盖了所有重点、技术性观点及细节讨论。