模拟组会：第 03 次

综合实践 · 06_论文与组会/模拟组会_第03次.md

主题

从相关、预测到因果：为什么模型结果不能过度解释。

大家好，我这次准备的是统计建模中结果解释的边界，重点是相关、预测和因果的区别。

我目前的理解是，很多课程作业或数据分析任务都会先从回归或监督学习模型开始。但模型跑出结果之后，最容易犯的错误是过度解释。比如一个变量的回归系数显著，并不意味着它一定造成了结果变量变化。它可能只是统计关联，也可能受到混杂变量影响。

如果任务目标是预测，我们更关注模型在新数据上的表现，因此要看训练集、验证集、测试集和交叉验证结果。如果模型训练集表现很好，但验证集表现差，就可能是过拟合。这个时候可以考虑正则化、简化模型、减少特征或增加数据。

如果任务目标是因果解释，就不能只依赖普通回归结果。需要进一步考虑研究设计，比如随机实验、自然实验、工具变量、双重差分，或者至少要明确潜在混杂因素。对我目前的学习阶段来说，最重要的是先不把相关说成因果。

时间序列任务还要额外注意时间顺序。普通机器学习中常见的随机划分训练集和测试集，在时间序列里可能导致未来信息泄漏。更稳妥的做法是按时间顺序划分，用过去预测未来。

所以我现在会把一个建模任务先问清楚：它是为了描述关联、提高预测，还是支持因果解释？不同目标对应不同的评价方式和表达边界。

因为回归只能控制模型中包含的变量。如果存在遗漏变量、反向因果或选择偏差，系数可能只是相关关系，不能直接解释为因果效应。

预测模型更关注新数据上的准确性；解释模型更关注变量关系、假设和机制。两者可以重叠，但评价重点不同。

过拟合是模型过度适应训练数据细节，导致在新数据上表现变差。通常表现为训练误差低、验证误差高。

因为随机切分可能让模型在训练时看到未来信息，导致评估结果虚高。时间序列通常应按时间顺序划分。

好的特征能让模型捕捉更有意义的结构，但特征工程也可能引入数据泄漏，所以需要谨慎。