Skip to main content

Chapter_1

Aaron L9/17/25About 11 minCausal inferenceDeepSeek-R1-0528-1stresponse_md
### 第一章：因果效应的定义（A DEFINITION OF CAUSAL EFFECT）

核心目标

引入数学符号形式化因果直觉，区分因果效应（causation）与关联（association）。

1.1 个体因果效应（Individual Causal Effects）

技术重点

  • 反事实结果（Counterfactual Outcomes）：
    定义潜在结果 (Y^a)，其中 (a) 表示治疗值（treatment value）：
    • (Y^{a=1})：个体接受治疗（(A=1)）时的结果。
    • (Y^{a=0})：个体未接受治疗（(A=0)）时的结果。
  • 个体因果效应：
    对个体 (i)，若其潜在结果不同（(Y_i^{a=1} \neq Y_i^{a=0})），则治疗 (A) 对结果 (Y) 有因果效应。
    • 例如：宙斯（Zeus）的 (Y^{a=1}=1)（死亡）且 (Y^{a=0}=0)（生存），故移植手术对其有因果效应。
  • 一致性（Consistency）：
    若个体实际接受治疗 (A=a)，则观测结果 (Y) 等于其反事实结果 (Y^a)：
    [
    \text{若 } A_i = a, \text{ 则 } Y_i = Y_i^a
    ]

细节要点

  • 反事实结果也称为潜在结果（Potential Outcomes），强调其未被观测的特性。
  • 个体因果效应不可直接观测（因仅能观测一种治疗下的结果），故需转向平均因果效应。

1.2 平均因果效应（Average Causal Effects）

技术重点

  • 定义：在总体中，若治疗值 (a=1) 和 (a=0) 下的期望结果不同，则存在平均因果效应：
    [
    E[Y^{a=1}] \neq E[Y^{a=0}]
    ]
  • 计算：
    • 风险（Risk）即期望值：对二分结果 (Y)，(E[Y^a] = \Pr(Y^a = 1))。
    • 例如：表 1.1 中，(\Pr(Y^{a=1}=1) = 0.5)，(\Pr(Y^{a=0}=1) = 0.5)，故无平均因果效应。
  • 零假设：
    • 平均因果效应零假设：(E[Y^{a=1}] = E[Y^{a=0}])。
    • 尖锐零假设（Sharp Causal Null）：对所有个体，(Y_i^{a=1} = Y_i^{a=0})（蕴含平均效应为零）。

细节要点

  • 个体效应 vs. 平均效应：
    平均效应为零（如 (\Pr(Y^{a=1}=1) = \Pr(Y^{a=0}=1))）不排除存在个体效应（表 1.1 中 12 人有个体效应）。
  • 平均效应公式：
    [
    E[Y^{a=1}] - E[Y^{a=0}] = E[Y^{a=1} - Y^{a=0}]
    ]

精细点

  • 干扰（Interference）（Fine Point 1.1）：
    反事实结果假设无干扰（no interference）—个体结果不受他人治疗影响。若存在干扰（如传染病研究），需指定他人治疗值。
  • 治疗的多种版本（Multiple Versions of Treatment）（Fine Point 1.2）：
    反事实结果假设治疗 (a) 仅单一版本。若存在多版本（如不同手术方式），需假设治疗变异无关性（treatment variation irrelevance）—所有版本对结果影响相同。

1.3 因果效应的度量（Measures of Causal Effect）

技术重点

  • 因果效应度量：
    • 风险差（Causal Risk Difference）：(\Pr(Y^{a=1}=1) - \Pr(Y^{a=0}=1))
    • 风险比（Causal Risk Ratio）：(\Pr(Y^{a=1}=1) / \Pr(Y^{a=0}=1))
    • 比值比（Causal Odds Ratio）：(\frac{\Pr(Y{a=1}=1)/\Pr(Y=0)}{\Pr(Y{a=0}=1)/\Pr(Y=0)})
  • 尺度选择：
    • 乘法尺度（如风险比）量化相对效应。
    • 加法尺度（如风险差）量化绝对效应。

细节要点

  • 风险差性质：
    等于个体因果效应差异的平均：(E[Y^{a=1} - Y^{a=0}])。
  • 风险比性质：
    非个体风险比的平均（因尺度非线性）。
  • 需要治疗人数（NNT）（Fine Point 1.3）：
    [
    \text{NNT} = \frac{-1}{\Pr(Y^{a=1}=1) - \Pr(Y^{a=0}=1)}
    ]
    表示预防一例事件需治疗的平均人数（当风险差为负时）。

1.4 随机变异性（Random Variability）

技术重点

  • 随机误差来源：
    1. 抽样变异性（Sampling Variability）：样本估计总体参数（如 (\hat{\Pr}(Y^a=1))）的误差。
    2. 非确定性反事实（Nondeterministic Counterfactuals）：潜在结果为随机变量（如宙斯死亡概率为 90% 而非固定值）。
  • 一致性估计：样本比例 (\hat{\Pr}(Y^a=1)) 是总体风险 (\Pr(Y^a=1)) 的一致估计量（consistent estimator）。

技术点

  • 非确定性反事实的期望（Technical Point 1.2）：
    [
    E[Y^a] = \int y dF_{Y^a}(y)
    ]
    其中 (F_{Y^a}) 是 (Y^a) 的累积分布函数（CDF）。

细节要点

  • 本书前九章假设：
    • 反事实结果确定性（deterministic）。
    • 总体极大（忽略抽样误差），以简化分析。

1.5 因果 vs. 关联（Causation vs. Association）

技术重点

  • 关联（Association）：
    比较实际观测的不同治疗组结果：
    [
    E[Y \mid A=1] \neq E[Y \mid A=0]
    ]
  • 因果（Causation）：
    比较同一总体在反事实治疗场景下的结果：
    [
    E[Y^{a=1}] \neq E[Y^{a=0}]
    ]
  • 关键区别：
    • 关联是条件概率（基于实际治疗分组）。
    • 因果是边际概率（基于反事实干预）。

细节要点

  • 表 1.2 示例：
    • 关联存在：(\Pr(Y=1 \mid A=1) = 7/13 \neq \Pr(Y=1 \mid A=0) = 3/7)。
    • 因果不存在：(\Pr(Y^{a=1}=1) = \Pr(Y^{a=0}=1) = 0.5)。
      差异由混杂（confounding） 导致（如接受移植者更可能死亡）。
  • 关联度量：
    关联风险差、风险比、比值比（形式同因果度量，但基于观测数据）。

结论

  • “关联非因果”：因关联可受混杂因素扭曲。
  • 解决方案：随机化实验（见第二章）可消除混杂，使关联反映因果。

关键结论

  1. 因果效应定义：基于反事实结果 (Y^a) 的对比（个体或平均层面）。
  2. 识别挑战：个体因果效应不可观测；平均因果效应需特定条件（如随机化）从观测数据估计。
  3. 因果 vs. 关联：
    • 因果：同一总体在不同治疗下的反事实比较。
    • 关联：同一总体内不同治疗组的实际结果比较。
  4. 核心假设：无干扰（SUTVA）、治疗变异无关性（简化反事实定义）。
  5. 随机化实验：是连接关联与因果的关键方法（第二章展开）。