KNOWECON WIKI

ARTICLE

因果

因果 (Causality) 因果是统计学、计量经济学和科学哲学中的核心概念，指一个变量（原因）对另一个变量（结果）所产生的真实、方向性的影响。与仅描述变量间统计关联的相关关系不同，因果关系回答的是反事实问题："如果原因发生变化，结果会发生什么？" 确立因果关系是政策评估、医学研究和经济分析的终极目标。 相关不等于因果 区分相关与因果是实证研究中最基本的挑战

浏览 7 更新 2025-10-26

因果 (Causality)

因果是统计学、计量经济学和科学哲学中的核心概念，指一个变量（原因）对另一个变量（结果）所产生的真实、方向性的影响。与仅描述变量间统计关联的相关关系不同，因果关系回答的是反事实问题："如果原因发生变化，结果会发生什么？" 确立因果关系是政策评估、医学研究和经济分析的终极目标。

相关不等于因果

区分相关与因果是实证研究中最基本的挑战。两个变量可能表现出强烈的统计相关性，但这种相关性可能来自：

  • 直接因果：XX 确实影响 YY。
  • 反向因果 (Reverse Causality)：YY 影响 XX，而非反之。
  • 遗漏变量偏误 (Omitted Variable Bias)：存在一个未观测到的第三个变量 ZZ 同时影响 XX 和 YY，导致二者呈现虚假相关。
  • 选择偏误 (Selection Bias)：样本并非随机抽取，导致 XX 与 YY 的关联被系统性扭曲。
  • 同时性偏误 (Simultaneity Bias)：XX 与 YY 相互决定，如价格与数量的关系。

经典的例子包括：冰激凌销量与溺水死亡人数正相关（共同受天气炎热影响）；教育年限与收入正相关（可能存在能力偏误）。

潜在结果框架

鲁宾因果模型 (Rubin Causal Model, RCM)，也称潜在结果框架，是现代因果推断的理论基石。对于每个个体 ii 和二元处理变量 Di∈{0,1}D_i \in \{0, 1\}，定义两个潜在结果：

  • Yi(1)Y_i(1)：个体 ii 接受处理时的结果。
  • Yi(0)Y_i(0)：个体 ii 未接受处理时的结果。

个体处理效应定义为 τi=Yi(1)−Yi(0)\tau_i = Y_i(1) - Y_i(0)。然而，这是因果推断的根本问题 (Fundamental Problem of Causal Inference)：对于任何一个体，我们只能观测到其中一个潜在结果，而另一个永远是反事实的。观测到的结果可写为：

Yi=DiYi(1)+(1−Di)Yi(0)Y_i = D_i Y_i(1) + (1 - D_i) Y_i(0)

由于无法直接观测个体处理效应，研究者转而估计总体的平均处理效应 (Average Treatment Effect, ATE)：

τATE=E[Yi(1)−Yi(0)]\tau_{ATE} = \mathbb{E}[Y_i(1) - Y_i(0)]

或处理组的平均处理效应 (Average Treatment Effect on the Treated, ATT)：

τATT=E[Yi(1)−Yi(0)∣Di=1]\tau_{ATT} = \mathbb{E}[Y_i(1) - Y_i(0) \mid D_i = 1]

识别策略

要使 τATE\tau_{ATE} 可识别，需要满足特定的识别假设。不同的研究设计对应不同的识别策略：

  1. 随机对照试验 (RCT)：通过随机分配处理，确保 Di⊥ ⁣ ⁣ ⁣⊥(Yi(0),Yi(1))D_i \perp\!\!\!\perp (Y_i(0), Y_i(1))，即处理与潜在结果独立。此时简单均值差 E[Yi∣Di=1]−E[Yi∣Di=0]\mathbb{E}[Y_i \mid D_i=1] - \mathbb{E}[Y_i \mid D_i=0] 即为 ATE 的一致估计。RCT 被视为因果推断的金标准。
  2. 工具变量 (Instrumental Variables, IV)：当处理 DiD_i 内生时，引入一个与处理相关但与潜在结果无关的工具变量 ZiZ_i。两阶段最小二乘 (2SLS) 估计局部平均处理效应 (LATE)，即仅对那些因 ZiZ_i 改变而改变处理状态的"依从者" (compliers) 的处理效应。
  3. 双重差分 (Difference-in-Differences, DiD)：利用面板数据，比较处理组和对照组在政策前后结果变化的差异。关键假设是平行趋势假设：若无政策干预，两组的结果本会以相同趋势变化。
  4. 断点回归 (Regression Discontinuity Design, RDD)：当处理分配由一个连续变量（驱动变量）是否超过某阈值决定时，在阈值附近，处理近似于随机分配，可识别局部因果效应。
  5. 匹配方法 (Matching)：假设给定可观测协变量 XiX_i 后，处理与潜在结果独立（条件独立假设, CIA）。通过倾向得分匹配 (Propensity Score Matching) 等方法，为每个处理个体匹配相似的对照个体。

有向无环图与 do-演算

Judea Pearl 提出的结构因果模型 (Structural Causal Model, SCM) 和有向无环图 (Directed Acyclic Graph, DAG) 提供了另一种表达因果关系的语言。DAG 用节点表示变量，用有向边表示直接的因果关系。通过 dodo-演算，可以在图形结构中形式化干预操作 do(X=x)do(X = x)，即强制设定 XX 取某个值，并推导在此干预下 YY 的分布 P(Y∣do(X=x))P(Y \mid do(X = x))。后门准则 (Backdoor Criterion) 和前门准则 (Frontdoor Criterion) 为判断何时可以通过观测数据识别因果效应提供了图形化判据。

格兰杰因果

在时间序列分析中，格兰杰因果 (Granger Causality) 是一种基于预测能力的因果概念：如果 XX 的过去值有助于预测 YY 的未来值（在已控制 YY 自身过去值的前提下），则称 XX 是 YY 的格兰杰原因。需要注意的是，格兰杰因果不等于真正的结构因果：它捕捉的是时间上的预测关系，而非反事实意义上的因果机制。

经济学中的应用

因果推断方法在经济学中应用广泛：劳动经济学使用 DiD 和 IV 研究教育和培训的回报；发展经济学依赖 RCT 评估扶贫项目的效果；健康经济学利用 RDD 研究医保政策的影响。近年来，"可信度革命" (Credibility Revolution) 强调研究设计在因果识别中的优先性，推动了经济学从依赖结构性假设转向更加透明的准实验方法。

因果关系的建立需要理论、研究设计和统计方法的有机结合，是现代实证科学中最具挑战性也最为核心的任务之一。