因果推断核心假设解析：从理论到实践的关键桥梁

1. 因果推断的三大核心假设：理解数据背后的真相

想象你是一名医生，面对两种新药A和B的临床试验数据。数据显示服用A药的患者康复率更高，但当你仔细分析时发现：年轻患者普遍选择A药且康复率更高，老年患者则相反。这时候如果直接得出"A药更有效"的结论，可能就掉进了辛普森悖论的陷阱。这正是因果推断要解决的核心问题——如何从观察数据中识别真正的因果关系。

在医疗、教育、经济等领域，我们常常需要回答"如果...会怎样"的问题。比如：

• 如果给这位患者换种治疗方案，生存率会提升多少？
• 如果修改APP界面设计，用户留存率会增加吗？

要回答这些问题，必须理解因果推断的三大基石假设：

1.1 SUTVA假设：实验对象的独立性

稳定单位处理值假设（Stable Unit Treatment Value Assumption）就像要求实验室里的培养皿互不干扰。具体包含两层含义：

1. 无干扰性：一个患者的治疗结果不会影响其他患者。比如在疫苗试验中，接种者是否产生抗体不应受其他接种者影响。现实中这个假设可能被打破——如果试验中存在群体免疫效应，接种者实际上降低了未接种者的感染风险。

2. 单一版本处理：每种治疗方式只有唯一标准版本。例如在研究"吸烟对肺癌的影响"时，如果"吸烟"包含每天1支和每天20支的不同情况，就违反了这一假设。我曾参与的一个药物研究项目中，发现不同医院对"标准治疗方案"的执行存在差异，导致分析结果出现偏差。

1.2 可忽略性假设：完美的随机分组

这个假设又称无混杂假设，相当于要求治疗分配像抛硬币一样完全随机。数学上表示为：(Y(0),Y(1)) ⊥ W | X，即在给定协变量X后，治疗分配W与潜在结果独立。

举个例子：在研究教育水平对收入的影响时，如果聪明的人更可能接受高等教育（W）同时本身收入更高（Y），就存在智力这个混杂因子。只有当所有影响教育和收入的变量都被测量并控制时，这个假设才成立。

实际应用中，我们常用倾向得分匹配来近似满足这一假设。具体操作是：

python复制from sklearn.linear_model import LogisticRegression
# 计算倾向得分（接受治疗的概率）
ps_model = LogisticRegression().fit(X, W)
propensity_scores = ps_model.predict_proba(X)[:,1] 
# 然后对每个处理组样本寻找对照组中倾向得分最接近的样本

1.3 积极性假设：没有绝对禁区

这个假设要求对于任何X的取值，都有机会观察到所有处理状态：0 < P(W=w|X=x) < 1。就像临床试验不能只给年轻人用新药，而完全不给老年人使用机会。

违反这个假设的典型案例是：某医院规定BMI>30的患者必须接受手术，那么我们就无法研究手术对肥胖人群的真实效果，因为缺乏对照组数据。在实践中，可以通过数据修剪（trimming）删除倾向得分接近0或1的样本。

2. 当假设被打破：医疗场景中的警示案例

2.1 辛普森悖论：聚合数据的陷阱

某医院统计了两种肾结石治疗方案的数据：

乍看之下方案B更优，但分层后却发现方案A在各组都更好！这是因为：

1. 医生倾向给重症患者（大结石）用方案A
2. 大结石本身治愈率更低
3. 方案A组中大结石占比更高（263/350 vs 80/350）

这个案例同时违反了可忽略性（治疗分配与病情相关）和积极性假设（某些病情只用特定方案）。

2.2 疫苗群体效应：SUTVA的挑战

在COVID-19疫苗研究中，如果社区接种率达到70%，未接种者感染风险也会降低。这意味着：

• 个体的潜在结果Y(W)不仅取决于自己的接种状态W
• 还受社区接种率影响（即存在干扰）
  此时需要更复杂的网络因果模型来替代传统框架。

2.3 电子病历数据的隐蔽陷阱

某研究用历史数据分析降压药效果，发现：

• 按时服药患者死亡率更高
• 表面看似乎是药物有害

实际原因是：

• 重症患者更可能坚持服药（可忽略性被违反）
• 医生只给特定血压范围开药（积极性被违反）

这种情况需要工具变量等更高级方法处理。

3. 从假设到实践：因果推断的方法论框架

3.1 因果图：可视化假设的工具

用DAG（有向无环图）可以清晰表达我们的因果假设。例如：

code复制[年龄] → [治疗选择]
[年龄] → [康复概率]
[治疗选择] → [康复概率] 

这个图明确显示年龄是混杂变量，指导后续分析策略。

3.2 双重稳健估计：安全网策略

结合回归模型和倾向得分模型的优势：

python复制from econml.dr import DRLearner
# 既指定结果模型Y~X，又使用倾向得分模型
est = DRLearner(model_propensity=LogisticRegression(),
                model_regression=RandomForestRegressor())
est.fit(Y, W, X=X)
treatment_effects = est.effect(X_test)

这种方法只要其中一个模型正确，就能得到无偏估计。

3.3 敏感性分析：检验假设的稳健性

通过R值量化未观测混杂因子的影响程度：

code复制假设存在未测量的混杂因子U
使处理组和对照组的风险比变化R倍
当R>2时结论是否仍然成立？

我在分析某医疗设备效果时，发现需要R>3.5才能逆转结论，这增强了结果可信度。

4. 实操指南：验证假设的六步流程

1. 绘制因果图：与领域专家一起确定可能的因果路径
2. 平衡性检查：治疗后检验协变量在组间是否平衡

   r复制# 使用R的cobalt包
   library(cobalt)
   bal.tab(treatment ~ age + gender + disease_stage, data=df)
   

3. 重叠性检验：检查倾向得分的分布范围

   python复制import seaborn as sns
   sns.kdeplot(data=df, x='propensity_score', hue='treatment')
   

4. 稳定性测试：删除倾向得分极端值后重新分析
5. 工具变量探索：寻找只通过治疗影响结果的变量
6. 报告敏感性：明确结论依赖的假设条件

在实际项目中，我发现最常出现的问题是：

• 电子健康记录中存在大量未测量的混杂因素（如社会经济地位）
• 治疗方案在不同医院执行差异大（违反SUTVA）
• 罕见病数据中某些亚组样本不足（违反积极性）

这时需要结合领域知识调整方法，比如：

• 使用边缘结构模型处理时变混杂
• 采用分层分析替代整体估计
• 收集额外数据验证关键假设