Skip to main content

Chapter_1

Aaron L9/17/25About 4 minCausal inferenceDeepSeek-R1-0528response_md
### Chapter 1: A DEFINITION OF CAUSAL EFFECT **技术重点（Technical Points）** - **核心理论**： - 因果效应定义为个体在相同条件下接受不同干预（treatment）时的潜在结果（potential outcomes）差异。若个体在治疗值 \(a=1\) 和 \(a=0\) 下的结果 \(Y^{a=1}\) 与 \(Y^{a=0}\) 不同，则存在个体因果效应： $$Y^{a=1}_i \neq Y^{a=0}_i$$ - 平均因果效应（average causal effect）在群体层面定义：若群体中所有个体接受治疗 \(a=1\) 的期望结果 \(E[Y^{a=1}]\) 与接受 \(a=0\) 的期望结果 \(E[Y^{a=0}]\) 不同，则存在因果效应： $$E[Y^{a=1}] \neq E[Y^{a=0}]$$ - **一致性假设（consistency）**：观测结果 \(Y\) 等于实际接受治疗 \(A\) 对应的反事实结果： $$\text{若 } A_i = a, \text{ 则 } Y^a_i = Y_i$$

  • 关键公式：

    • 个体因果效应：

      Yia=1−Yia=0Y^{a=1}_i - Y^{a=0}_i

    • 平均因果效应（二分结局）：

      风险差（risk difference）=Pr⁡[Ya=1=1]−Pr⁡[Ya=0=1]\text{风险差（risk difference）} = \Pr[Y^{a=1}=1] - \Pr[Y^{a=0}=1]

      风险比（risk ratio）=Pr⁡[Ya=1=1]Pr⁡[Ya=0=1]\text{风险比（risk ratio）} = \frac{\Pr[Y^{a=1}=1]}{\Pr[Y^{a=0}=1]}

      比值比（odds ratio）=Pr⁡[Ya=1=1]/Pr⁡[Ya=1=0]Pr⁡[Ya=0=1]/Pr⁡[Ya=0=0]\text{比值比（odds ratio）} = \frac{\Pr[Y^{a=1}=1] / \Pr[Y^{a=1}=0]}{\Pr[Y^{a=0}=1] / \Pr[Y^{a=0}=0]}

  • 重要概念：

    • 反事实结果（counterfactual outcomes）：(Y^a) 表示个体在治疗值 (a) 下潜在但未实际观察到的结果。
    • 可识别性（identifiability）：个体因果效应因缺失数据（仅一潜在结果可观测）而不可识别；平均因果效应在特定条件下可识别。
    • 零假设：
      • 无平均因果效应：(E[Y^{a=1}] = E[Y^{a=0}])
      • 尖锐因果零假设（sharp causal null）：所有个体均无个体效应（(Y^{a=1}_i = Y^{a=0}_i, \forall i)）。

  • 应用场景：

    • 医学干预（如心脏移植对生存率的影响）、政策评估（如教育政策对就业的影响）。

细节要点（Fine Points）

  • 干扰（interference）（Fine Point 1.1）：

    • 个体结果可能受他人治疗状态影响（如传染病研究中）。若存在干扰，反事实结果 (Y^a_i) 未明确定义，需指定他人治疗分配。
    • SUTVA假设：包含"无干扰"和"治疗版本唯一性"，默认成立。

  • 治疗版本（multiple versions of treatment）（Fine Point 1.2）：

    • 若同一治疗 (a) 有多个版本（如不同外科医生），反事实结果 (Y^a_i) 未明确定义。需假设"治疗变异无关性"（treatment variation irrelevance），即所有版本对结果影响相同。

  • 因果效应度量（Section 1.3）：

    • 需治疗数（NNT, number needed to treat）：

      NNT=−1Pr⁡[Ya=1=1]−Pr⁡[Ya=0=1]\text{NNT} = \frac{-1}{\Pr[Y^{a=1}=1] - \Pr[Y^{a=0}=1]}

      表示避免一例不良事件需治疗的平均个体数（仅适用于风险差为负时）。
    • 因果风险比非个体因果效应比值的平均（非线性泛函）。

  • 随机变异来源（Section 1.4）：

    • 抽样变异：样本估计（如 (\widehat{\Pr}[Y^a=1])）与超总体参数差异。
    • 非确定性反事实：个体潜在结果可具随机性（如量子力学框架），但超总体因果效应估计在经典/随机世界下等价。

  • 因果 vs. 关联（Section 1.5）：

    • 关联：基于实际观察数据，定义为条件概率差异：

      E[Y∣A=1]≠E[Y∣A=0]E[Y|A=1] \neq E[Y|A=0]

    • 关键区别：
      • 因果对比同一群体在不同治疗下的反事实结果。
      • 关联对比实际接受不同治疗的子群体观测结果。
    • 混淆（confounding）：关联不等价于因果（如心脏移植案例中，治疗组基线风险更高）。

逻辑关联性
本章奠定因果推断基础形式化框架：

  1. 通过反事实结果定义个体/平均因果效应。
  2. 强调因果（反事实对比）与关联（观察数据对比）的本质差异。
  3. 引入核心假设（一致性、SUTVA）及度量方法，为后续章节（随机实验、识别条件）铺垫。

处理说明

  • 未解析图像内容（Figure 1.1），因文本已描述其核心：因果对比反事实世界，关联对比实际世界子群体。
  • 技术术语保留英文（如 consistency, SUTVA, counterfactual）确保精确性。