Huajishe Notes

1-ATE、ATT、CATE、ITE

10 min read

ATE、ATT、CATE、ITE

一句话定位：因果效应存在多个层次的概念，平均处理效应（ATE）关注整体人群，处理组的平均处理效应（ATT）关注已接受处理的人群，条件平均处理效应（CATE）在给定协变量下估计，个体处理效应（ITE）精确定位到每个个体。

前置依赖：

  • 理解 do算子的含义（1-do算子）
  • 理解潜在结果的基本框架
  • 理解图模型的基本概念（3-因果图DAG）

核心思想

因果推断的核心问题是：处理变量 对结果变量 的因果效应是什么？

但”因果效应”可以有多种理解。设想我们要研究”接受培训对工资的影响”：

  • 平均而言，培训对所有求职者的工资有什么影响？（ATE）
  • 对于那些实际上参加了培训的人来说，培训对他们的工资有什么影响？（ATT）
  • 对于具有特定特征（如学历、经验）的求职者，培训对他们有什么影响？（CATE）
  • 对于你这个具体的求职者，培训对你有什么影响？（ITE）

这些问题的答案可能完全不同。ATE 可能为正，但对某些人来说培训可能是浪费时间。这四个概念构成了因果效应的完整层次结构。

一、形式化定义

1.1 基本符号

潜在结果：

  • ：单元 接受处理 时的潜在结果
  • ：单元 接受对照 时的潜在结果

实际观察：

变量定义：

  • ：单元标识（可以是观测到的协变量 ，也可以是未观测的隐变量）
  • ：二元处理变量
  • ：结果变量
  • ：协变量向量
  • ：样本量
  • ：单元索引

1.2 四大因果效应定义

定义 1（ATE，平均处理效应）：

全体人群中将处理与对照交换的期望潜在结果差异。

定义 2（ATT，处理组的平均处理效应）：

实际接受处理的子群体的平均因果效应。

定义 3（CATE，条件平均处理效应）：

给定协变量 条件下的平均处理效应。

定义 4（ITE，个体处理效应）：

每个单元 的因果效应。

1.3 LATE（局部平均处理效应）

定义（LATE）：工具变量方法识别的”依从者”子群体的平均处理效应。

依从者

依从者定义为：工具变量变化会导致处理状态变化的单元。

二、四大概念的数学关系

2.1 ATE 与 ATT 的关系

定理：

其中 ATC（Average Treatment effect on the Controls）是控制组的平均处理效应。

展开：

2.2 CATE 与 ATE 的关系

定理（CATE 的边缘化）：

CATE 在协变量分布上的期望等于 ATE。

直观理解：CATE 是”分层”的因果效应，ATE 是”加权平均”的因果效应。

2.3 ITE 与 CATE 的关系

定理：

CATE 是个体处理效应的条件期望。

分解：

其中 是均值为零的残差。

2.4 关系总结图

ITE (个体)
   ↓ 条件期望
CATE (协变量层)
   ↓ 边缘化
ATE (整体平均)
   ↓ 限制子群体
ATT / ATC (子群体)

三、SUTVA 假设

**SUTVA（稳定单位处理值假设）**包含两个部分：

3.1 无隐藏处理版本

假设：每个单元的处理状态完全由 的取值决定，不存在同一 值的不同”版本”。

违反示例：在”培训”处理中，不同培训师、不同培训内容可能产生不同效果。

数学表示： 唯一依赖于 和 ，不依赖于其他因素。

3.2 无单元间交互

假设：单元 的潜在结果不依赖于其他单元的处理状态。

公式：

其中 表示除 之外所有单元的处理状态。

违反示例：疫苗接种具有正外部性——一个人的接种影响其他人的感染风险。

四、异质性处理效应

4.1 异质性处理效应的定义

定义：当 随 变化时，存在异质性处理效应。

判定条件：

存在异质性使得

4.2 异质性与 ATE 的区别

关键洞察：ATE 假设处理效应对所有人相同（齐性处理效应假设）。

齐性假设下：

（对所有相同）

此时 。

现实中：异质性几乎普遍存在，不同人对同一处理可能有完全不同的反应。

4.3 异质性处理效应的来源

预后因素（Prognostic Factors）：影响结果 的因素，但对处理 无影响。

效应修饰因子（Effect Modifiers）：同时影响 和 的因果效应大小的因素。

五、估计方法

5.1 ATE 的估计

样本均值估计：

其中 是处理组人数， 是对照组人数。

假设条件：可辨识性条件成立（无混杂或已通过调整控制）。

5.2 CATE 的估计

分层估计：

机器学习方法：使用因果森林、因果发现等方法估计异质性 CATE。

5.3 ITE 的估计

ITE 估计需要更强的假设或额外的结构（如 SCM）。

方法：

  1. 元学习器（S-Learner, T-Learner）
  2. 双机器学习（DML）
  3. 基于 SCM 的反事实推理

六、应用场景

6.1 ATE 的应用

  • 政策评估：“培训项目对平均工资的影响”
  • 医学试验：“新药对整体生存率的影响”
  • A/B 测试：“新功能对整体转化率的影响”

6.2 ATT 的应用

  • 成本效益分析：“对参与者来说项目的效果”
  • 有限资源分配：“谁最从干预中受益”

6.3 CATE 的应用

  • 个性化医疗：“对于具有基因型 G 的患者，最佳治疗是什么”
  • 精准营销：“对于具有特征 Z 的客户，投放广告的效果”

6.4 ITE 的应用

  • 个性化决策：“这个具体的患者应该接受哪种治疗”
  • 针对性干预：“这个学生最需要什么类型的辅导”

七、与其他内容的关系

继承：

引出：

章节摘要

  • ATE = 是整体平均处理效应，ATT = 是处理组平均效应
  • CATE 是给定协变量 时的条件平均效应
  • ITE 是每个个体的因果效应
  • ATE = [CATE]：CATE 的边缘化等于 ATE
  • CATE[ITE：CATE 是 ITE 的条件期望
  • SUTVA 假设：处理值完全指定结果，无单元间交互
  • 异质性处理效应普遍存在：不同人对同一处理反应不同
  • 齐性处理效应（ATE 恒定）是理想化假设，现实几乎不成立
  • LATE 是工具变量方法识别的依从者子群体的 ATE
  • 估计不同层次的因果效应需要不同的假设和方法

关键词

ATE | ATT | CATE | ITE | LATE | 潜在结果 | SUTVA | 异质性处理效应 | 效应修饰因子 | 预后因素 | 因果森林 | 协变量调整

Graph View