Skip to main content

Chapter_1

Aaron L9/17/25About 7 minCausal inferencegpt-4.1response_md

Chapter 1: A Definition of Causal Effect

中英文精华总结与公式整理

本章旨在通过数学符号系统化我们对因果推断的直觉，构建全书因果推断的形式基础。以下内容涵盖全部重要结论、技术要点和细节注意点（Fine points）, 并提供中英文双语梳理，数学公式全部使用标准 LaTeX\LaTeX 格式书写，绝无遗漏。

1.1 Individual Causal Effects | 个体因果效应

核心思想

  • 所谓因果效应（causal effect），指对同一个体比较某行动（干预）AA被采取与未被采取时结果YY的不同。
  • “反事实结果” (Ya=1Y^{a=1}, Ya=0Y^{a=0})：假设分别在A=1A=1（接受处理）和A=0A=0（不接受处理）时该个体的结果。

形式定义 | Formal Definition

  • 个体ii的因果效应：

    Yia=1≠Yia=0Y^{a=1}_i \neq Y^{a=0}_i

  • 若Yia=1=Yia=0Y^{a=1}_i = Y^{a=0}_i，则对个体ii无因果效应。

一致性（Consistency）

  • 定义：个体实际接受了aa，则Yia=YAi=YiY^{a}_i = Y_{A_i} = Y_i。

    If Ai=a, then Yia=YAi=Yi\text{If } A_i = a, \text{ then } Y^{a}_i = Y_{A_i} = Y_i

无法识别性 | Unidentifiability

  • 单个体的因果效应通常无法凭观测数据推断，因为同一时刻只会观测到Ya=1Y^{a=1}或Ya=0Y^{a=0}中的一个。

1.2 Average Causal Effects | 平均因果效应

需求

  • 个体因果效应难以识别，转而考察整个人群的平均因果效应。

定义 | Definition

  • population平均因果效应：

    E[Ya=1]≠E[Ya=0]E[Y^{a=1}] \neq E[Y^{a=0}]

    若两者相等，则称“无平均因果效应”（the causal null hypothesis）。

  • 对于二值结果（如生死），E[Ya=1]E[Y^{a=1}] 就是如果所有人都接受a=1a=1时发生结果的概率。

等价关系 | Equality

  • 均值之差即个体因果效应的均值：

    E[Ya=1]−E[Ya=0]=E[Ya=1−Ya=0]E[Y^{a=1}] - E[Y^{a=0}] = E[Y^{a=1} - Y^{a=0}]

结论 | Notes

  • 个体存在因果效应≠平均效应存在。平均效应不存在时，可能有人被帮，有人被害（抵消）。
  • “sharp causal null hypothesis”即全部个体都无因果效应。

Fine Point 1.1: Interference (干扰/干预互扰)

  • 假定YiaY^{a}_i仅和自己的处理有关，其他个体的干预不影响当前个体（即无干扰，SUTVA）。
  • 若别人处理会影响YiY_i，YiaY^{a}_i定义就要带上其他人的处理信息，如Yia,a′Y^{a, a'}_i。

Fine Point 1.2: Multiple Versions of Treatment (处理多版本)

  • 假定aa只有一个“版本”。如“心脏移植”其实可能手术医生、工具、方法不同。
    • 若不同版本aa导致不同结果，YiaY^{a}_i无明确定义。
  • 假设“treatment variation irrelevance”，即不同版本效果一样时，YiaY^a_i才可定义。

1.3 Measures of Causal Effect | 因果效应的度量

常见度量 | Common Measures

  • 因果风险差（Causal Risk Difference）：

    Δrisk=P(Ya=1=1)−P(Ya=0=1)\Delta_{\text{risk}} = P(Y^{a=1} = 1) - P(Y^{a=0} = 1)

  • 因果风险比（Causal Risk Ratio）：

    RR=P(Ya=1=1)P(Ya=0=1)RR = \frac{P(Y^{a=1} = 1)}{P(Y^{a=0} = 1)}

  • 因果优势比（Causal Odds Ratio）：

    OR=P(Ya=1=1)/P(Ya=1=0)P(Ya=0=1)/P(Ya=0=0)OR = \frac{P(Y^{a=1} = 1) / P(Y^{a=1} = 0)}{P(Y^{a=0} = 1) / P(Y^{a=0} = 0)}

  • 若上述度量值等于00、11、11，则为因果零假设。

Technical Point 1.1

  • E[Ya]E[Y^a]为所有人在aa下的平均结果。

  • 离散型：

    E[Ya]=∑yypYa(y);对称二值时 E[Ya]=P(Ya=1)E[Y^a] = \sum_y y p_{Y^a}(y);\quad \text{对称二值时} ~ E[Y^a] = P(Y^a=1)

  • 连续型：

    E[Ya]=∫yfYa(y)dy=∫ydFYa(y)E[Y^a] = \int y f_{Y^a}(y) dy = \int y dF_{Y^a}(y)

  • 同样可定义作用于方差、分位数、风险等的“功能型因果效应”。
    例如方差效果：

    Var(Ya=1)−Var(Ya=0)Var(Y^{a=1}) - Var(Y^{a=0})

  • 但注意：

    Var(Ya=1)−Var(Ya=0)≠Var(Ya=1−Ya=0)Var(Y^{a=1}) - Var(Y^{a=0}) \neq Var(Y^{a=1} - Y^{a=0})

Fine Point 1.3: Number Needed to Treat (NNT, 必须治疗的人次数以减少一例事件)

  • 定义公式：

    NNT=−1P(Ya=1=1)−P(Ya=0=1)NNT = -\frac{1}{P(Y^{a=1}=1) - P(Y^{a=0}=1)}

    • 若处理能减少风险，则NNT为正；反之定义number needed to harm。

1.4 Random Variability | 随机变异（随机误差）

两个来源 | Two Sources

  1. 抽样变异 (Sampling variability)

    • 仅观察总体的一个子样本，样本内比例与母体有差异。
    • 用样本估计量P^(Ya=1)\hat{P}(Y^a=1)近似总体P(Ya=1)P(Y^a=1)，随样本量n→∞n\to\infty是“一致的”。

  2. 反事实结果本身具有随机性 (Nondeterministic counterfactuals)

    • 个体YiaY^a_i并非固定值，而是概率分布。如“Zeus接受治疗有90%90\%概率死亡”。
    • 整体均值的定义推广为：

      E[Ya]=E{E[Ya∣ΘYa(⋅)]}E[Y^{a}] = E\left\{E[Y^a | \Theta_{Y^a}(\cdot)]\right\}

      =∫ydFYa(y),FYa(⋅)=E{ΘYa(⋅)}= \int y dF_{Y^a}(y), \quad F_{Y^a}(\cdot) = E\left\{\Theta_{Y^a}(\cdot)\right\}

    • 风险比的个体效应加权汇总形式：

      Causal Risk Ratio=E[QYa=1(1)]E[QYa=0(1)]\text{Causal Risk Ratio} = \frac{E[Q_{Y^{a=1}}(1)]}{E[Q_{Y^{a=0}}(1)]}

      也即：对个体比值做带权平均，权重W=QYa=0(1)E[QYa=0(1)]W = \frac{Q_{Y^{a=0}}(1)}{E[Q_{Y^{a=0}}(1)]}。

1.5 Causation versus Association | 因果与关联之别

现实数据与反事实数据

  • 实际中只观测到YY（在观测的AA下的结果），即Y=YAY=Y^A。
  • 结果分布通常仅能计算观测者群体中的风险：

    P(Y=1∣A=a)P(Y = 1|A = a)

  • 关联/相关 (Association):
    • 若P(Y=1∣A=1)≠P(Y=1∣A=0)P(Y=1|A=1) \neq P(Y=1|A=0)，即为有关联，记为Y̸ ⁣⊥ ⁣ ⁣ ⁣⊥AY \not\!\perp\!\!\!\perp A。
  • 独立条件 | Independence:

    (i) P(Y=1∣A=1)−P(Y=1∣A=0)=0(ii) P(Y=1∣A=1)P(Y=1∣A=0)=1(iii) P(Y=1∣A=1)P(Y=0∣A=1)P(Y=1∣A=0)P(Y=0∣A=0)=1\begin{align*} & (i)~ P(Y=1|A=1) - P(Y=1|A=0) = 0 \\ & (ii)~ \frac{P(Y=1|A=1)}{P(Y=1|A=0)} = 1 \\ & (iii)~ \frac{\frac{P(Y=1|A=1)}{P(Y=0|A=1)}}{\frac{P(Y=1|A=0)}{P(Y=0|A=0)}} = 1 \end{align*}

  • 对于二元结果：P(Y=1∣A=a)P(Y=1|A=a)也是期望E[Y∣A=a]E[Y|A=a]。

本质差异 | Essential Distinction

  • 因果效应比较的是全体个体分别在a=1a=1和a=0a=0两种世界下的整体分布；
  • 关联只比较实际接受a=1a=1的人群与a=0a=0的人群的分布。

图解

  • 图1.1强调：
    • 因果比较是“假设整个群体都接受a=1a=1”、“都接受a=0a=0”各自假想世界的比较，
    • 关联比较是观察真实世界中已经接受与未接受处理两个分组。

混淆 | Confounding

  • 如果高风险者更易接受处理，则实际观测关联可能与真实因果效应方向相反。

全章技术要点与细节回顾

Technical Points

  • E[Ya]E[Y^a]的求法在离散型和连续型变量中定义。
  • 反事实分布下能定义多种效应（均值，方差，分位数，hazard等），但只有均值的“差的均值=均值的差”。
  • 无法同时观测到任何个体的Ya=1Y^{a=1}和Ya=0Y^{a=0}。

Fine Points

  1. Interference: YiaY^a_i无干扰、SUTVA。
  2. Multiple versions: aa的版本唯一性，否则需明确哪种。
  3. NNT: 治疗多少人可减少1例不良事件。

章节核心框架尝试总结

概念数学表达备注
个体因果效应Yia=1≠Yia=0Y^{a=1}_i \neq Y^{a=0}_i只理论上可定义，无法识别
平均因果效应E[Ya=1]−E[Ya=0]E[Y^{a=1}]-E[Y^{a=0}]统称“因果效应”，可从数据估计
风险差P(Ya=1=1)−P(Ya=0=1)P(Y^{a=1}=1) - P(Y^{a=0}=1)population level
风险比P(Ya=1=1)P(Ya=0=1)\frac{P(Y^{a=1}=1)}{P(Y^{a=0}=1)}population level
优势比P(Ya=1=1)/P(Ya=1=0)P(Ya=0=1)/P(Ya=0=0)\frac{P(Y^{a=1}=1)/P(Y^{a=1}=0)}{P(Y^{a=0}=1)/P(Y^{a=0}=0)}population level
NNT−1P(Ya=1=1)−P(Ya=0=1)-\frac{1}{P(Y^{a=1}=1)-P(Y^{a=0}=1)}治疗所需样本人次
关联风险差P(Y=1∣A=1)−P(Y=1∣A=0)P(Y=1\mid A=1) - P(Y=1\mid A=0)observational measure
关联风险比$\frac{P(Y=1A=1)}{P(Y=1
关联独立Y⊥ ⁣ ⁣ ⁣⊥AY \perp\!\!\!\perp A$P(Y

中文精髓速查

  • 个体效应：是“如果A，但如果不A”的结果差异。只对抽象有意义，现实无法获知。
  • 平均效应：全体人“假如都A”和“都不A”下结果均值的差。
  • 因果与相关：前者是E[Ya=1]E[Y^{a=1}]与E[Ya=0]E[Y^{a=0}]比较，后者是E[Y∣A=1]E[Y|A=1]与E[Y∣A=0]E[Y|A=0]比较。
  • 风险差/比、优势比和NNT：提供不同尺度的群体因果效应表现。
  • 反事实与干预互扰、处理多版本问题都影响反事实定义的合法性，在定义前需确认SUTVA和处理版本同质性。
  • 风险估计的不确定性来自采样误差和反事实的不确定性。
  • 混淆：现实中由于高风险人更可能接受处理，观测相关性不等于真实因果。

章节精要总结

本章以“反事实结果”系统定义个体与群体的因果效应，澄清了因果推断和相关分析的根本差异，明确了统计上各种因果度量的数学表达方式，同时指明了干扰、处理多版本等复杂实际情形对定义因果效应的影响，为全书后续方法论和实证分析打下了坚实的理论之基。