📚 课程目录第2章因果推断基础

2. 因果推断基础：潜在结果框架、干预与反事实、ATE与CATE的定义

在量化促销影响时，我们面临的核心挑战是：无法同时观测同一用户在“被促销触达”和“未被促销触达”两种状态下的购买行为。因果推断正是为了解决这一“反事实缺失”问题而生的方法论体系。本章将建立因果推断的三大基石：潜在结果框架、干预与反事实、以及ATE与CATE的数学定义。

2.1 潜在结果框架（Potential Outcomes Framework）

潜在结果框架由Donald Rubin提出，是因果推断中最通用的数学语言。其核心思想是：每个个体在每种可能的处理水平下都有一个潜在结果，但实际只能观测到其中一种。

  核心符号定义：

  Yi(1)：个体 i 在接受处理（如促销触达）时的潜在结果
Yi(0)：个体 i 在未接受处理（如无促销）时的潜在结果
Wi：处理指示变量，Wi = 1 表示接受处理，Wi = 0 表示未接受处理
Yiobs：实际观测到的结果，满足 Yiobs = Wi · Yi(1) + (1 - Wi) · Yi(0)

这一框架揭示了因果推断的根本难题：每个个体的因果效应定义为 Y_i(1) - Y_i(0)，但该差值永远无法直接计算，因为两个潜在结果不可能同时被观测到。这就是所谓的“因果推断基本问题”。

💡 营销科学视角： 在促销场景中，Y_i(1) 是用户 i 在收到促销券后的购买金额，Y_i(0) 是同一用户在未收到促销券时的购买金额。我们永远无法知道“如果没发券，这个用户会买多少”。

_A(1) = 120 元 ✅ Y_A(0) = ? ❌ 反事实缺失用户 B（对照组） Y_B(1) = ? ❌ 反事实缺失 Y_B(0) = 80 元 ✅ 因果推断基本问题 • 每个用户只有一种状态可观测 • 个体因果效应 = Y(1) - Y(0) • 永远无法直接计算个体效应 • 需通过群体平均效应来估计 • 核心假设：SUTVA + 可忽略性

2.2 干预与反事实

干预（Intervention）是因果推断区别于传统统计关联分析的核心概念。在促销场景中，干预意味着我们主动改变用户的促销接收状态，而非被动观察。干预操作符 do(X = x) 表示强制将变量 X 设置为值 x，这与条件概率 P(Y | X = x) 有本质区别。

概念	符号	含义	促销示例
条件概率	P(Y \| X = 1)	观测到 X=1 时 Y 的分布	已领券用户的购买率
干预概率	P(Y \| do(X = 1))	强制所有人 X=1 时 Y 的分布	强制发券后全量用户的购买率
反事实	Y(0) \| X = 1	已处理个体在未处理下的结果	已领券用户如果没领券会买多少

⚠️ 常见误区： 在促销分析中，直接比较“领券用户”和“未领券用户”的购买率，得到的是关联关系而非因果关系。因为领券用户本身可能就有更高的购买倾向（自选择偏差）。因果推断要求我们回答：如果强制给所有人发券（或都不发券），购买率会是多少？

反事实（Counterfactual）是潜在结果框架中的核心思维工具。对于实际接受了促销的用户，其反事实状态是“如果未接受促销会怎样”。反事实推理遵循以下逻辑链：

事实观测：用户 i 收到促销，购买金额 120 元 → Y_i(1) = 120
反事实推断：同一用户 i 在相同时间、相同场景下未收到促销 → Y_i(0) = ?
个体因果效应：τ_i = Y_i(1) - Y_i(0) = 120 - ?
估计策略：利用对照组用户的信息，在满足假设条件下估计 Y_i(0)

2.3 ATE 与 CATE 的定义

由于个体因果效应不可观测，因果推断转向估计群体平均效应。两个最核心的因果参数是：

2.3.1 平均处理效应（ATE）

ATE（Average Treatment Effect）衡量在整个目标人群上，处理对结果的平均影响：

ATE = E[Y(1) - Y(0)]
     = E[Y(1)] - E[Y(0)]

其中：
- E[Y(1)]：全人群在都接受处理时的平均结果
- E[Y(0)]：全人群在都未接受处理时的平均结果

在促销场景中，ATE 回答的是：“如果给所有用户都发促销券，相比都不发券，平均每个用户能多带来多少购买金额？”

2.3.2 条件平均处理效应（CATE）

CATE（Conditional Average Treatment Effect）在给定用户特征 X 的条件下，衡量处理效应的异质性：

CATE(x) = E[Y(1) - Y(0) | X = x]
         = E[Y(1) | X = x] - E[Y(0) | X = x]

其中：
- X = x：用户特征向量取特定值（如：高活跃度、高客单价、新用户等）
- CATE(x)：特征为 x 的用户子群的平均处理效应

  ATE vs CATE 的关键区别：

  ATE：全局平均，回答“促销整体是否有效”
CATE：局部平均，回答“促销对哪类用户更有效”
应用场景：ATE 用于预算审批和整体效果评估；CATE 用于精准营销和用户分群策略

ATE = 15 元：促销整体有效，平均每用户多带来 15 元购买 🎯 CATE(高活跃) = 25 元：高活跃用户对促销敏感，应优先触达 ⚠️ CATE(低活跃) = -5 元：促销反而抑制了低活跃用户的购买（可能因促销疲劳） 💡 策略建议：仅对高活跃用户投放促销，可提升 ROI 约 67%

2.4 因果推断的三大核心假设

要使用潜在结果框架进行因果估计，必须满足以下三个关键假设：

假设名称	符号/简称	含义	促销场景验证
稳定单元处理值假设	SUTVA	个体间无交互，处理版本唯一	用户 A 领券不影响用户 B 的购买；所有券面值相同
可忽略性	Unconfoundedness	给定协变量 X，处理分配与潜在结果独立	控制用户历史购买、活跃度后，发券与否与潜在购买无关
正值性	Positivity	每个协变量组合下，处理概率在 (0,1) 之间	所有用户类型都有一定概率被发券或不被发券

💡 工程实践提示： 在促销因果建模中，SUTVA 常因“社交传播效应”被违反（如用户分享优惠券）；可忽略性 要求我们收集足够多的协变量（用户画像、历史行为、渠道偏好等）；正值性 在“精准营销”场景下可能被违反（某些用户永远不被发券），需要通过重叠检查来诊断。

2.5 从定义到工程：因果参数估计路径

理解了 ATE 和 CATE 的定义后，我们需要将其转化为可计算的工程方案。以下是典型的因果推断工程路径：

定义处理与结果：明确 W（是否发券）和 Y（购买金额/转化率）
收集协变量 X：用户特征、历史行为、时间特征等
选择识别策略：随机实验、倾向得分匹配、双重差分、工具变量等
估计 ATE：使用逆概率加权（IPW）或回归调整
估计 CATE：使用因果森林、元学习器（S-Learner, T-Learner, X-Learner）
验证与敏感性分析：检查假设是否满足，进行安慰剂检验

  本章核心要点：

  潜在结果框架为因果推断提供了严谨的数学语言，核心是 Y(1) 和 Y(0) 的对比
干预（do-operator）区别于条件概率，是因果推断的基石
反事实缺失是因果推断的根本难题，需通过群体估计来克服
ATE 回答“促销整体是否有效”，CATE 回答“促销对谁更有效”
SUTVA、可忽略性、正值性是因果推断的三大核心假设，必须在工程实践中验证