M1-056M1: 数学与统计基础因果推断Easy
⚡闪卡盲测➔掌握度:

定义因果效应与潜在结果框架(Rubin causal model)。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-057 →
📐 核心数学机理公式
τi=Yi(1)−Yi(0),ATE=E[Y(1)−Y(0)]\tau_i=Y_i(1)-Y_i(0),\qquad \mathrm{ATE}=\mathbb E[Y(1)-Y(0)]
⚡ 一句话直击要害答案
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。

📌 核心要点提炼

  • •
    随机化使处理独立于潜在结果 → ATE 可识别
  • •
    观察数据需条件独立/可忽略性假设

📐 数学机理与严密推导

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)。根本困难(因果推断的基本问题):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) 是反事实,永远不可观测。因此个体因果效应不可识别,只能识别群体平均效应。识别条件: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。观察性数据需条件可忽略性(T⊥(Y(0),Y(1))|X,即控制了 X 后处理与潜在结果独立)。

🏭 深度剖析与工业落地权衡

关键概念辨析:① ATE vs ATT vs ATE——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 SUTVA——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 与 Pearl 的 do-calculus 的关系——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 用于判断该控制哪些变量(后门准则),Rubin 框架用于估计与推断,两者互补。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    认为可以估计个体因果效应(只能识别群体平均)
  • ✕
    把 ATT 当作 ATE 外推到全体
🎯 面试官连环追问与延伸考察
  • ?
    为什么随机化能识别因果效应?
  • ?
    ATE 与 ATT 的区别?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-055: CTR 上升但 CVR 没动,如何用统计方法分析原因。📋 返回题库下一题 →M1-057: 解释混淆变量、中介变量与对撞变量,以及各自该不该控制。