可交换性与可忽略性

可交换性就是寻找真正原因时要遵守的“同类相比”原则。它要求你比较的群体在其他所有相关方面都足够相似，就像他们是被随机分配去接受干预的一样。比如，比较图书馆的便利程度与犯罪率时，我们必须问：这些社区的富裕程度是否也有差异？如果有，这些群体就不具备可交换性。

试试这样：如果把所比较群体的处境对调，他们的结果也会随之对调吗？

可交换性是一种假设：如果两个群体接受同样的干预，一个群体的结果就会与另一个群体相同。可忽略性这个词常常与它互换使用，意思是我们可以“忽略”人们被分到不同组的方式，因为在考虑了关键因素之后，这种分组实际上相当于随机分组。

想象一项比较新药与安慰剂的医学研究。如果医生把新药给病情较重的患者，把安慰剂给身体状况较好的患者，这两组就不具备可交换性。你无法判断，不良结果究竟是药物造成的，还是患者原本健康状况较差造成的。这就是随机对照试验（RCT）被视为金标准的原因：平均而言，随机分组能创造出具有可交换性的群体。

现实中，我们很少能随机分组。雇主可能会发现，参加自愿报名的领导力课程的员工更常获得晋升。参加课程和不参加课程的两组员工，具备可交换性吗？很可能不具备。报名的员工可能原本就更有抱负、动力更强，而这些因素也会促成晋升。这些有抱负的员工在主动选择接受干预，这种问题称为选择偏差。

无法随机分组时，我们会尝试通过统计方法，调整抱负、年龄或经验等混杂变量的影响，让不同群体具有可比性。目标是实现“条件可交换性”：在考虑了这些其他因素之后，让群体足够相似，从而分离出课程本身的真实效果。

可交换性与可忽略性是现代因果推断的基础概念。它们严格界定了所需条件，让我们能够把观察性数据当作来自随机实验的数据来分析 [1, 2, 3]。

• 这一概念是潜在结果框架的核心。在这个框架中，干预分配机制必须独立于潜在结果，Donald Rubin 将这一性质称为“可忽略性” [1]。（1974）
• 在图模型中，当干预与结果之间不存在未被阻断的“后门路径”时，就能实现可交换性。Judea Pearl 对这一判据作了形式化表述 [2]。（2009）
• 现代流行病学和社会科学运用这些原则来设计观察性研究，并通过统计调整来近似实现随机试验的条件，以达到“条件可交换性” [3, 4]。[3]（2020）

最大的局限在于，我们只能调整已测量的混杂因素。如果存在同时影响干预与结果、却未被测量的因素，比如一个人的内在动力，可交换性就会被破坏，我们对因果效应的估计也会出现偏差 [2, 3]。这通常被称为“残余混杂”。此外，仅凭数据本身，根本无法检验可交换性假设；我们只能借助领域知识和因果图，来论证这一假设是否合理 [2]。