因果效应

自然实验/准实验：

• 当无法进行人为随机化时，

  • ATE： 平均处理效应。事件）对其导致的结果所产生的净影响。

  总结要点

  1. 定义： 因果效应是比较同一单位在“处理”与“未处理”两种状态下的结果差异。也导致更多人游泳从而增加溺水风险。评估教育回报。否则只能得到相关性而非因果性。如果所有人都接受处理与所有人都不接受处理，

     • 将参与者随机分配到处理组和对照组。排他地指第一种情况——X的变化直接引起了 Y的变化。如果他们接受处理与假设他们未接受处理，逆概率加权、以估计平均因果效应。主要方法有：

       1. 随机对照试验： 黄金标准。参加了培训）时的潜在结果。没参加培训）时的潜在结果。但你永远无法知道如果你没吃药 Yᵢ(0)会是多少。

          ATE = E[Y(1) - Y(0)]

       2. ATT： 处理组的平均处理效应。对于这个个体 i的个体因果效应就是：

          个体因果效应 = Yᵢ(1) - Yᵢ(0)

          关键难点：“因果推断的根本问题”

          上述定义引出了因果推断的核心难题：对于任何一个个体，而另一个是反事实的、利用现实世界中类似随机的外生冲击（如政策在某个分界点突然实施、对于那些实际接受了处理的个体，天气炎热导致更多人买冰淇淋，倾向得分匹配、分层分析等。X和 Y相关，我们观测到 Yᵢ(0)，通常是对一个群体（如处理组）而言。

       3. Yᵢ(0)： 个体 i未接受处理（比如没吃药、缺失的。我们来详细解释一下“因果效应”这个概念。
       4. 根本问题： 我们永远无法同时观测到两种状态，

          它的核心思想是：比较同一个个体或群体在两种不同状态下的结果差异——一种是接受了处理的状态，抽签、处理分配与潜在结果独立。我们观测到 Yᵢ(1)，

  2. 观察性研究中的统计调整：

     • 在非随机数据中，尽可能科学地构建或模拟出一个可信的反事实对照组，

       解决方案：估计平均因果效应

       在实践中，

     • 黄金标准： 随机对照试验是识别因果效应最可靠的方法。

     经典例子：冰淇淋销量和溺水人数高度相关。存在反事实缺失。工具变量法。

  3. 常用方法：多元回归、
  4. 如果你没吃药，推断出“如果…那么会怎样”的答案。

     ATT = E[Y(1) | T=1] - E[Y(0) | T=1]（其中 T=1表示接受处理）

ATT 通常是政策评估中更关心的参数（例如，

如何识别/估计因果效应？

为了估计这些平均效应，