因果效应

因果效应 (Causal Effect)

因果效应是因果推断领域的核心概念，指一个特定的干预或处理（Treatment）对一个结果（Outcome）所产生的净影响。在经济学、统计学、医学和社会科学中，识别因果效应回答的是"如果改变某个因素，结果会如何变化"这类反事实问题。例如：政策制定者想知道提高最低工资对就业的效应，公共卫生专家需要评估新疫苗对感染率的效应，经济学家要求估计职业培训对收入的效应，教育研究者希望了解班级规模对学生成绩的影响。这些问题的共同点在于，它们关注的不是变量之间的相关性，而是干预导致的唯一性变化——即因果效应。

理解因果效应的关键在于区分相关关系与因果关系：观察到两个变量同步变化，不等于其中一个导致了另一个。可能存在遗漏变量、反向因果或样本选择等混淆因素。例如，冰淇淋销量与溺水人数高度相关，但这是因为夏季高温同时推动了二者，而非冰淇淋导致溺水。另一个经典例子是：拥有更多床位的医院其患者死亡率反而更低，但这可能是因为病情较轻的患者倾向于选择大医院，而非床位规模本身降低了死亡风险。因果效应的识别就是要在剥离了所有混淆因素之后，提炼出干预对结果的纯粹影响。

潜在结果框架

为精确界定因果效应，学界广泛采用由 Donald Rubin 发展的潜在结果框架，亦称鲁宾因果模型。对任意单元 $i$（个体、企业或地区），设 $D_i=1$ 表示接受干预，$D_i=0$ 表示未接受。定义两种潜在状态：$Y_i(1)$ 为接受干预后的结果，$Y_i(0)$ 为未接受干预时的结果。则个体因果效应为 $\tau_i = Y_i(1) - Y_i(0)$。

这一简洁定义直指因果效应的本质：同一单元在干预与不干预两种平行世界中的结果差异。然而，这引出了因果推断的根本性问题：我们永远无法同时观测到 $Y_i(1)$ 和 $Y_i(0)$——现实中每个单元只能进入一种状态，另一状态永远缺失。因此，个体因果效应不可直接计算，所有因果推断都是在试图从观测数据中"补全"那个缺失的反事实。

平均因果效应

由于个体效应不可观测，研究通常转向群体层面的平均度量。主要有三种：

• 平均处理效应（ATE）：$ATE = E[Y_i(1) - Y_i(0)]$，即随机抽取一个体施加干预的期望效果。ATE 回答的是"政策如普遍实施，平均会带来多大变化"，是宏观政策评估的首选目标参数。
• 处理组平均处理效应（ATT）：$ATT = E[Y_i(1) - Y_i(0) \mid D_i=1]$，仅针对实际接受干预的群体。ATT 关注的是"参与者从项目中获得了多少收益"，常用于成本-收益分析和现有项目的效果评估。
• 局部平均处理效应（LATE）：由工具变量法识别，仅适用于因工具变量的变化而改变干预状态的"遵从者"亚群。LATE 的外部有效性有限，但在处理内生性时提供了可靠的局部因果估计。

选择性偏误

在非实验环境下，直接比较处理组和控制组的均值差异并不可靠。数学分解如下：

等式右侧第二项即为选择性偏误，衡量的是即使无干预，两组之间本就存在的系统性差异。例如，参加培训项目的员工可能本身更有上进心，因此即使不培训收入也更高。此时简单均值比较会高估培训的真实因果效应。现代因果推断方法的根本目标就是消除或削弱这一偏误。

识别方法概览

为克服选择性偏误，学界发展了一系列识别策略：

• 随机对照试验：通过随机分配干预状态，消除处理组与控制组在可观测和不可观测特征上的系统性差异，是识别因果效应的黄金标准。
• 双重差分法：比较处理组在干预前后的变化量与控制组同期变化量的差异，通过双重差分剔除不随时间变化的组间异质性和共同时间趋势，核心假设为平行趋势假设。
• 倾向得分匹配：基于可观测变量的倾向得分，为每个处理组个体匹配最相似的控制组个体，模拟随机化条件。其识别依赖条件独立性假设，即在控制了可观测协变量后，干预分配近似随机。
• 回归断点设计：利用政策或项目围绕某一连续变量的阈值分配干预的特点，比较阈值附近两侧的个体，估计局部因果效应。其信服力来自高质量断点附近的个体在除干预状态外几乎完全相同。
• 工具变量法：引入一个与干预选择相关但仅通过干预影响结果的外生工具变量，分离出干预的外生变动部分，估计 LATE。经典应用包括用距离大学的远近作为受教育年数的工具变量，来估计教育对收入的影响。

综上所述，因果效应在理论层面的定义简洁统一，但其在实证层面的识别充满挑战。一切因果推断的核心任务都是构建一个可信的反事实，而不同方法之间的根本差异，恰恰在于它们各自依赖何种假设和数据结构来补全这一反事实。