Causal Inference: 定义因果效应与潜在结果框架（Rubin causal model）。

Core Concept: 因果效应是个体两种潜在结果的差；观察到的只有一种，故需假设才能识别。

Rubin 潜在结果框架的核心：对每个个体 i 定义两个潜在结果 Y_i(1)（接受处理时）与 Y_i(0)（未接受时），个体因果效应 τ_i=Y_i(1)−Y_i(0)。<strong>根本困难（因果推断的基本问题）</strong>：我们只能观测到其中一个——若个体接受了处理，观测 Y_i=Y_i(1)，而 Y_i(0) 是<strong>反事实</strong>，永远不可观测。因此个体因果效应不可识别，只能识别<strong>群体平均效应</strong>。<strong>识别条件</strong>：随机化使处理分配 T 独立于潜在结果 (Y(0),Y(1))，即 T⊥(Y(0),Y(1))，于是 E[Y|T=1]−E[Y|T=0]=E[Y(1)]−E[Y(0)]=ATE——随机化通过'构造可比组'解决了反事实缺失问题。观察性数据需<strong>条件可忽略性</strong>（T⊥(Y(0),Y(1))|X，即控制了 X 后处理与潜在结果独立）。

关键概念辨析：① <strong>ATE vs ATT vs ATE</strong>——ATE 是全体平均效应，ATT 是处理组的平均效应 E[Y(1)−Y(0)|T=1]，ATU 是未处理组的。三者不同，且当处理效应异质时（如只有高意愿用户受益），用 ATT 外推到全体是错误的外推；实验测的是 ATE（或按分流比例混合），而观察性研究常识别 ATT。② <strong>SUTVA</strong>——潜在结果框架隐含假设'个体 i 的结果只依赖自己的处理'（无干扰）且处理版本唯一；违反时需干扰感知设计。③ <strong>与 Pearl 的 do-calculus 的关系</strong>——两套框架数学等价但语言不同：Rubin 框架强调潜在结果与随机化，Pearl 框架强调 DAG 与后门/前门准则。实践中 DAG 用于<strong>判断该控制哪些变量</strong>（后门准则），Rubin 框架用于<strong>估计与推断</strong>，两者互补。