因果关系

因果关系 (Causality)

因果关系（Causality）是科学、统计学、经济学及哲学中的基本概念，描述一个事件即因如何导致另一个事件即果的发生。因果推断是实证研究的核心目标，超越了相关性，旨在揭示现象背后的驱动机制。在经济学和金融学中，理解因果关系对评估政策效果、制定商业策略和构建准确预测模型至关重要。

因果关系与相关性的根本区别

相关性（Correlation）指两个或多个变量在数值上表现出同步变化的趋势，仅是统计上的伴随关系，不意味一个变量的变化是另一变量的原因。因果关系（Causality）指变量X的变化直接导致变量Y的变化，具有方向性和机制性。经典区别示例为，冰淇淋销量与溺水人数呈现强正相关，但不能推断"吃冰淇淋导致溺水"，存在混淆变量气温，炎热天气既促使购买冰淇淋也促使游泳增加溺水风险，由第三方变量驱动的虚假关系称为伪相关。

建立因果关系的三个核心条件源自哲学家大卫·休谟：时间先后顺序（因在前果在后）、共变关系（因和果必须相关，即因的变化与果的变化相伴随）、排除其他解释（合理排除其他可能导致结果的因素，即排除混淆变量）。现代计量经济学和统计学中最具挑战性的是第三个条件，研究者追求ceteris paribus（其他条件不变）的理想，在隔离所有其他影响因素的情况下单独观察一个变量对另一个变量的影响。

因果推断的主要方法

随机对照试验（RCT）是因果推断的黄金标准。研究对象被随机分配到处理组（接受干预）和对照组（不接受干预），随机分配使两组在干预前所有可观测和不可观测特征在统计期望上相同，干预后结果差异可合理归因于因果效应。但许多经济社会情境中RCT不现实、不道德或成本过高。

准实验方法利用观测数据中存在的自然实验情境模拟随机分配。双重差分法（DiD）比较处理组和对照组在政策实施前后的变化差异，对照组变化趋势作为处理组在无政策干预下的反事实参照。断点回归设计（RDD）利用明确分配规则即断点估计因果效应，断点附近的个体在其他方面高度相似。工具变量法（IV）用一个与原因变量相关但除通过影响原因外与结果无直接关系的工具变量，解决内生性和遗漏变量偏误问题。

潜在结果框架

现代因果推断的理论基础通常建立在鲁宾因果模型（RCM）或称潜在结果框架上。对每个个体i定义两个潜在结果，接受处理时 $Y_i(1)$ 和不接受处理时 $Y_i(0)$，个体因果效应为 $Y_i(1) - Y_i(0)$。但因果推断的根本问题在于只能观测每个个体的一个潜在结果，无法同时观测同一个体接受和不接受处理的两种状态。因果推断方法本质上都是在特定假设条件下从观测数据中识别平均处理效应（ATE）或处理组平均处理效应（ATT）的统计技术。该框架在政策评估、医学统计、劳动经济学和发展经济学等领域的实证研究中发挥着核心方法论作用。