Huajishe Notes

1-潜在结果框架

9 min read

潜在结果框架

一句话定位：潜在结果框架（Rubin Causal Model）是因果推断的三大理论基石之一，提供了一套严格的数学符号系统来定义因果效应、反事实与识别假设。

前置依赖：

核心思想

潜在结果框架由 Rubin（1970s）提出，核心思想是为每个单元定义多个”潜在结果”：如果单元被干预为不同的 treatment 值，会产生什么结果。我们只观测到其中一个，其他都是反事实。

这个框架将因果问题转化为一个统计估计问题：给定我们只能观测到 （实际 treatment 下的结果），如何估计 （反事实结果）？

关键困难在于：对于任意单元 ， 和 不可能同时被观测到。这被称为”因果推断的根本问题”（Fundamental Problem of Causal Inference）。

一、基础定义

1.1 单元（Unit）

单元是因果推断的基本研究对象，可以是：

  • 一个个体（如患者）
  • 一个时间点（如某天某商店）
  • 一块实验区域
  • 一个物理系统

设我们有 个单元，索引 。

1.2 Treatment 与 Outcome

  • Treatment ：单元 接受的干预（0 = 对照，1 = 处理）
  • Outcome ：单元 的观测结果

1.3 潜在结果（Potential Outcomes）

对于每个单元 ，定义：

单元当时的潜在结果，

其中：

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

实际观测到的结果：

注意： 是潜在结果的加权平均，实际只观测到了其中一个，另一个始终是反事实。

1.4 个体因果效应（ITE）

ITE 是单个单元的因果效应，衡量对这一个单元的 treatment 效果。但对任意单元，ITE 都是不可同时观测的两个数字的差——这是根本问题。

1.5 平均因果效应（ATE）

或者使用期望的线性性：

1.6 处理组平均效应（ATT）

注意 是处理组中实际未接受处理的反事实均值。

二、SUTVA：稳定单元 Treatment Value 假设

SUTVA（Stable Unit Treatment Value Assumption）是潜在结果框架的核 心假设，由 Rubin 提出。

SUTVA 包含两部分：

2.1 无 treatment 溢出（No Interference）

一个单元的 potential outcome 不受其他单元 treatment 的影响：

只取决于，与其他无关

物理意义：单元之间是相互独立的，treatment 不会跨单元传播。

违反场景：社交网络效应。如果我的朋友接受了某种treatment（如疫苗），可能影响我的感染风险，即使我没有接种。

2.2 无多个 treatment 版本（No Hidden Versions of Treatment）

Treatment 只有单一版本，不存在”不同强度/形式的 ”：

的定义是唯一的，不存在都叫

违反场景：药物剂量。如果”接受药物治疗”对应 10mg 和 100mg 两种剂量，它们实际上对应不同的 treatment 值，需要区分 和 。

三、 ignorability 假设

3.1 条件 ignorability

在实际研究中，我们无法直接观测 ，除非做出假设。

ignorability 假设：

即在给定协变量 时，potential outcomes 与 treatment 分配独立。

等价表述：在控制 后，treatment 分配相当于随机实验。

物理意义：给定 ，我们可以把不同 treatment 组的人进行比较，因为他们在 上的分布相同。

3.2 强 ignorability

强 ignorability 额外要求 overlap（也叫 positivity）：

即每个单元在每个协变量取值下都有 positive 概率被分到任意 treatment 组。没有 overlap 的区域无法估计因果效应（extrapolation 无效）。

四、从潜在结果到因果效应估计

4.1 重叠加权（Inverse Probability Weighting）

当 ignorability 成立时，ATE 可以通过重叠加权估计：

其中 是 propensity score。

推导：

从条件期望出发：

在 ignorability 下，，所以：

因此：

将 重写为：

类似地：

代入即得 IPW 估计量。

4.2 回归调整（Regression Adjustment）

另一种估计器基于条件期望模型 ：

当 正确设定时效率更高，但有模型偏差风险。

4.3 双稳健估计器（Doubly Robust）

结合 IPW 和回归调整：

只要 propensity model 或 outcome model 之一正确设定，估计量就是一致的。

五、核心定理：因果效应识别公式

5.1 识别的关键

在 ignorability 假设下：

注意右端只涉及观测分布——这意味着 ATE 从数据可识别。

5.2 识别公式

当 ignorability 成立时：

这是 do-calculus 在二元 treatment下的一个特例。

六、与前后内容的衔接

继承：

解决：为因果效应提供了严格的数学符号系统，使得我们可以形式化地讨论”反事实推理”和”识别假设”。

引出：

  • 3-反事实推理 — 在潜在结果框架上展开反事实推理的完整步骤
  • 1-ATE、ATE、CATE、ITE — 继续扩展各类因果效应的精确定义
  • [2-因果发现/] — 因果发现算法试图从数据推断潜在结果框架中未观测的因果结构

章节摘要

  • 潜在结果框架为每个单元 定义 和 ，但我们只能观测其中一个
  • 因果推断的根本问题是：对于每个单元，两个潜在结果中只有一个能被观测
  • SUTVA 假设确保 treatment effect 在单元间无溢出、无多版本
  • 条件 ignorability 允许我们从数据估计因果效应
  • IPW、双稳健估计器等提供了具体估计方法
  • 当 ignorability 成立时， 可通过协变量调整识别

关键词

潜在结果框架 | Rubin Causal Model | SUTVA | ignorability | IPW | 反事实 | ITE | ATE | 双稳健估计

Graph View