2因果推断的相关概念 2.1相关不是因果 事物间的因果关系常常是我们经常要面对和分析的问题，研究因果的意义在于：在许多领域， 我们需要理解数据并据此做出进一步的行动和决策。比如对于我们而言，常常会想要知道“学历越 高就会找到越好的工作吗？”政府可能想知道“增设离婚冷静期会对离婚率有影响吗？”医生可能 想知道“某种药剂的使用会增加患者康复的几率吗？”这些问题的核心就是因果效应，即：X的 变化会对Y造成影响吗？如果会，Y受影响的程度要如何度量？在研究因果关系的基础上，还要进 一步挖掘因果关系产生的原因及其造成的影响。 从时间序列的角度，经济学家克莱夫·格兰杰(Clive Granger)给出了因果关系的文字描述： 如果利用X可以更好地预测Y,那么就可以说X是Y的原因。经过后来的研究不难发现，这段描 述中存在着一些谬误：严格来说，这句话描述的是相关关系，而非因果关系那么相关关系和因果 关系究竞有何不同？其实，相关关系和因果关系是完全不同的两个概念，因果关系阐述了一些关于 世界本身的信息，而实证的统计学方法却不能。相关表示一种一般关系，/即：当两个变量同时呈现 出增加或减少的趋势时，它们就是相关的：而因果关系中原因会导致绮果、结果部分取决于原因。 两个变量之间即便没有相关关系也可能具有因果关系，反之有相关关系也过能没有因果关系。例如， 一项研究表明，通常吃早饭的人比不吃早饭的人体重轻，因此得出结论：不吃早饭有利于减肥。但 事实上，不吃早饭和体重轻之间可能只是相关，而并非因果关系。从事实的角度出发为这个现象寻 求一种解释，可能只是因为每天吃早饭的人习惯于保持一种健康的性活方式，定期运动、睡眠规律、 饮食健康，最终才拥有了更加理想的体重。在这类情况中拥有更健康的生活方式是吃早饭和轻体 重的共同原因，因此也可以将其视为吃早饭和轻体这间因果关系的混淆因素。 因此，相关不是因果。虽然相关关系在统计学得子一系列成果，但因果关系可以拓展传统 统计学解决新问题所需的必要内容，并可延伸到其他学科， 因此更具研究价值。 2.2因果推断的基本概念 在因果推断中有一些基本概念，某种程度在几类分析框架中是通用的，也是理解因果推断的 基础，以下将分别进行介绍。 (1)同一个研究对象(Uit):即在施加于预以研究因果关系时选定的研究对象，可以是一个物理 对象也可以是一个对象的集合： 在潜在结果模型中，不同时间点下的研究样本是不同的研究对象。 (2)千预(Treatment)):干预指对个释本采取的行为，用We{0,l,2,,N}表示干预，目前大多数因 果推断采用二元干预，即采角了干预(W=1)的样本划为干预组：未进行干预(W=0)划为对照组。 (3)潜在结果(Potential Outcom和事实结果(Observed Outcome)：在现实世界中，对于每一个研究 对象，其在每一种预灭都存在一个可能的结果，即潜在结果：而在真实观测数据中出现的结果称 为事实结果。（④）效应)：效应即评判干预与否所导致结果差别的指标，通过对各个研究对象 干预与否的潜在结果的比较得出。(5)分配机制(Assignment Mechanism):哪些结果可以被观察到主 要取决于干预的分配机制，即哪些研究对象对应采取了哪些干预。对于一个二值干预，X=1代表干 预组，X=0代表对照组，在接受干预分配X=x后结果变量表示为Y,,表示接受相应干预后的潜 在结果。 2.3因果推断的分析框架 近几十年来，因果推断一直是许多领域的关键性研究课题，在各个领域都涌现出了令人瞩目的 研究成果。2008年，诺贝尔经济学奖获得者詹姆斯·海克曼(James.J Heckman)提出了政策评价中 出现的三个基于因果推断且极具挑战性的难题： (1)评价历史上出现的干预对结果的影响： (2)预测在一个环境中曾经经历过的干预在其他环境中的影响： (3)预测历史上从没有经历过的干预在各种环境中的影响。2 因果推断的相关概念 2.1 相关不是因果 事物间的因果关系常常是我们经常要面对和分析的问题，研究因果的意义在于：在许多领域， 我们需要理解数据并据此做出进一步的行动和决策。比如对于我们而言，常常会想要知道“学历越 高就会找到越好的工作吗？”政府可能想知道“增设离婚冷静期会对离婚率有影响吗？”医生可能 想知道“某种药剂的使用会增加患者康复的几率吗？”这些问题的核心就是因果效应，即： X 的 变化会对Y 造成影响吗？如果会，Y 受影响的程度要如何度量？在研究因果关系的基础上，还要进 一步挖掘因果关系产生的原因及其造成的影响。 从时间序列的角度，经济学家克莱夫·格兰杰(Clive Granger)[4] 给出了因果关系的文字描述： 如果利用 X 可以更好地预测Y ，那么就可以说 X 是Y 的原因。经过后来的研究不难发现，这段描 述中存在着一些谬误；严格来说，这句话描述的是相关关系，而非因果关系。那么相关 关系和因果 关系究竟有何不同？其实，相关关系和因果关系是完全不同的两个概念，因果关系阐述了一些关于 世界本身的信息，而实证的统计学方法却不能。相关表示一种一般关系，即：当两个变量同时呈现 出增加或减少的趋势时，它们就是相关的；而因果关系中原因会导致结果，结果部分取决于原因。 两个变量之间即便没有相关关系也可能具有因果关系，反之有相关关系也可能没有因果关系。例如 ， 一项研究表明，通常吃早饭的人比不吃早饭的人体重轻，因此得出结论：不吃早饭有利于减肥。但 事实上，不吃早饭和体重轻之间可能只是相关，而并非因果关系。从事实的角度出发为这个现象寻 求一种解释，可能只是因为每天吃早饭的人习惯于保持一种健康的生活方式，定期运动、睡眠规律、 饮食健康，最终才拥有了更加理想的体重。在这类情况中，拥有更健康的生活方式是吃早饭和轻体 重的共同原因，因此也可以将其视为吃早饭和轻体重之间因果关系的混淆因素。 因此，相关不是因果。虽然相关关系在统计学中取得了一系列成果，但因果关系可以拓展传统 统计学解决新问题所需的必要内容，并可延伸到其他学科，因此更具研究价值。 2.2 因果推断的基本概念 在因果推断中有一些基本概念，某种程度上在几类分析框架中是通用的，也是理解因果推断的 基础，以下将分别进行介绍。 (1)同一个研究对象(Unit)：即在施加干预以研究因果关系时选定的研究对象，可以是一个物理 对象也可以是一个对象的集合；在潜在结果模型中，不同时间点下的研究样本是不同的 研究对象。 (2)干预(Treatment)：干预指对一个样本采取的行为，用 {0,1, 2,..., } W N  w 表示干预，目前大多数因 果推断采用二元干预，即采用了干预(W  1)的样本划为干预组；未进行干预(W  0 )划为对照组。 (3)潜在结果(Potential Outcome)和事实结果(Observed Outcome）：在现实世界中，对于每一个研究 对象，其在每一种干预下都存在一个可能的结果，即潜在结果；而在真实观测数据中出现的结果称 为事实结果。(4)效应(Effect)：效应即评判干预与否所导致结果差别的指标，通过对各个研究对象 干预与否的潜在结果的比较得出。(5)分配机制(Assignment Mechanism)：哪些结果可以被观察到主 要取决于干预的分配机制，即哪些研究对象对应采取了哪些干预。对于一个二值干预， X  1代表干 预组， X  0 代表对照组，在接受干预分配 X x  后结果变量表示为Yx ，表示接受相应干预后的潜 在结果。 2.3 因果推断的分析框架 近几十年来，因果推断一直是许多领域的关键性研究课题，在各个领域都涌现出了令人瞩目的 研究成果。2008 年，诺贝尔经济学奖获得者詹姆斯·海克曼(James. J Heckman) [5]提出了政策评价中 出现的三个基于因果推断且极具挑战性的难题： （1）评价历史上出现的干预对结果的影响； （2）预测在一个环境中曾经经历过的干预在其他环境中的影响； （3）预测历史上从没有经历过的干预在各种环境中的影响。 录用稿件，非最终出版稿