概念卡：因果推断 Causal Inference

综合实践 · 01_专业概念地图/概念卡_因果推断.md

概念卡：因果推断 Causal Inference

一句话定义

因果推断是研究一个变量变化是否会导致另一个变量变化的方法体系。

它解决什么问题

它帮助我们区分“相关”与“因果”，避免把统计关联误解释为作用机制。

典型使用场景

• 政策或干预效果评估。
• A/B 测试。
• 观察性数据中的处理效应估计。

需要知道的关键词

• Correlation
• Confounding
• Treatment Effect
• Counterfactual
• Randomized Experiment

和导师方向的关系

应用统计中经常需要判断变量关系是否能解释为因果；复杂系统中也常见机制解释和干预评估问题。

交流时可以怎么说

当前结果最多说明统计关联，除非设计或假设支持，否则不能直接说成因果关系。

如果要讨论因果，需要先明确处理变量、结果变量和潜在混杂因素。

可以追问的问题

• 这个问题只是预测，还是要解释因果作用？
• 是否存在混杂变量？
• 有没有实验设计、自然实验或工具变量支持？

给 AI 的提示词

请解释因果推断和相关分析的区别。要求给一个观察性数据例子，并说明为什么回归系数不一定代表因果效应。

我的理解边界

• 已理解：相关不等于因果。
• 还不确定：DID、IV、PSM 等方法细节。
• 下次需要补：混杂变量。