因果效应

因果效应就是“你做了某件事”和“你没做那件事”两种情况下结果的差别。比如，你吃了阿司匹林后头不痛了，那它的因果效应就是“吃药后的轻松”减去“没吃药仍会痛”的差距。因为我们无法同时看到两种结果，得靠聪明办法去估计“没做会怎样”。试试这样：看到变化时，先问自己“如果当时什么都不做，现在大概会是什么样？”

理解因果效应的核心在于反事实思维。由于我们无法让同一个人同时接受和不接受干预，必须想办法逼近这种“假如”情境。

正因如此，“相关≠因果”。你看到自行车道建成后拥堵下降10%，并不能直接证明是车道带来的。可能同期开通了新地铁，也可能大公司推行远程办公。这些都是混杂变量，给出了其他解释。

想 isolate 因果效应，研究者会构建可信的对照组。黄金标准是随机对照试验（RCT）。例如，一家公司用 A/B 测试评估新按钮：随机让一半用户看到新按钮（实验组），一半看到旧按钮（对照组），其他条件平均相同，就能分离按钮对点击率的影响。

日常生活中，也可以寻找“自然实验”或对照组。别急着把销量上涨全归功于新营销，先查查主要对手是否刚好断货。对手缺货提供了另一种解释，让你的 campaign 的因果效应变得不确定。

现代因果推断建立在潜在结果框架之上，把因果效应定义为“接受处理的潜在结果”与“未接受处理的潜在结果（反事实）”之差。核心难点是反事实不可观测，因此本质是缺失数据问题。该领域的重要贡献包括：

• Rubin（1974）：形式化潜在结果模型，提出个体因果效应定义，将核心挑战框定为缺失数据。[1] [4]
• Pearl（2009）：用有向无环图（DAG）补充图形框架，让因果假设显性化并识别混杂因素。[2]
• Angrist & Pischke（2009）：推动“可信性革命”，倡导用自然实验等稳健实证方法从真实数据估计因果效应。[3]

主要局限是因果推断的根本问题：对任何个体，我们永远无法同时观测到“接受处理”和“未接受处理”两种结果。所有统计方法——包括随机试验——都只能估计人群平均因果效应，而非单个个体的精确效应。此外，因果断言只能与所基于的假设一样强；若遗漏关键混杂变量，效应估计就会出错。