3. 潜在结果框架与ATE/ATT
在因果推断中，潜在结果框架（Potential Outcomes Framework，也称Rubin因果模型）是定义和量化因果效应的核心数学语言。它通过“反事实”逻辑，为每个个体同时定义两种状态：接受处理时的结果与未接受处理时的结果。本章将系统讲解潜在结果的定义、平均处理效应（ATE）与处理组平均处理效应（ATT）的概念及公式，并展示它们在促销影响预测中的工程落地意义。
3.1 潜在结果定义
对于任意个体 \(i\)，定义二元处理变量 \(T_i \in \{0, 1\}\)：
- \(T_i = 1\)：个体接受处理（如收到促销优惠券）
- \(T_i = 0\)：个体未接受处理（未收到促销）
每个个体 \(i\) 对应两个潜在结果：
- \(Y_i(1)\)：个体接受处理时的结果（如促销后的购买金额）
- \(Y_i(0)\)：个体未接受处理时的结果（未促销时的购买金额）
实际观测到的结果 \(Y_i\) 由下式决定：
Y_i = T_i * Y_i(1) + (1 - T_i) * Y_i(0)这意味着，对于每个个体，我们只能观测到其中一个潜在结果，另一个是反事实（counterfactual）。因果效应的核心挑战正是如何从观测数据中合理估计缺失的反事实。
3.2 个体处理效应与平均处理效应（ATE）
个体处理效应（Individual Treatment Effect, ITE）定义为：
ITE_i = Y_i(1) - Y_i(0)由于反事实缺失，ITE_i 无法直接观测。因此，因果推断通常关注平均处理效应（Average Treatment Effect, ATE），即整个群体中个体处理效应的期望值：
ATE = E[Y(1) - Y(0)]ATE 衡量的是：如果将所有个体从“未处理”状态切换到“处理”状态，结果变量的平均变化。在促销场景中，ATE 表示“向所有用户发送促销券相比不发送，平均每人带来的销售额增量”。
3.3 处理组平均处理效应（ATT）
在实际业务中，我们往往更关心实际接受了处理的那些个体的因果效应，即处理组平均处理效应（Average Treatment Effect on the Treated, ATT）：
ATT = E[Y(1) - Y(0) | T = 1]ATT 衡量的是：对于实际收到促销的用户，促销带来的平均因果增量。与 ATE 不同，ATT 只对处理组子群体求期望，更贴近运营决策——例如，“我们实际发放了优惠券的用户，平均每人多花了多少钱？”
| 指标 | 定义 | 公式 | 业务含义（促销场景） |
|---|---|---|---|
| ATE | 全体平均处理效应 | E[Y(1) - Y(0)] | 如果向所有用户发券，平均每人带来的增量 |
| ATT | 处理组平均处理效应 | E[Y(1) - Y(0) | T=1] | 实际收到券的用户，平均每人带来的增量 |
| ATU | 对照组平均处理效应 | E[Y(1) - Y(0) | T=0] | 如果给未发券的用户发券，平均每人可能带来的增量 |
3.4 ATE与ATT的关系：选择偏差视角
观测到的处理组均值与对照组均值之差可以分解为：
E[Y | T=1] - E[Y | T=0] = ATT + (E[Y(0) | T=1] - E[Y(0) | T=0])其中，选择偏差项 \(E[Y(0) | T=1] - E[Y(0) | T=0]\) 表示：处理组个体即使未接受处理，其潜在结果均值也与对照组不同。在促销场景中，如果运营人员倾向于向高价值用户发券，则处理组在未促销时的购买金额本身就高于对照组，导致朴素估计高估促销的真实效果。
消除选择偏差是因果推断的核心任务，也是后续章节中匹配、倾向性评分加权、双重差分等方法要解决的根本问题。
3.5 潜在结果框架的SVG结构图
下图展示了潜在结果框架的核心逻辑，包括个体层面的反事实结构、ATE与ATT的群体对比，以及选择偏差的来源。
3.6 ATE与ATT的工程落地对比
在促销影响预测的工程实践中，ATE和ATT的选择直接影响特征工程和模型评估策略：
| 维度 | ATE | ATT |
|---|---|---|
| 目标群体 | 全体用户（包括未触达用户） | 实际收到促销的用户 |
| 业务决策 | 是否应该向所有用户推广该促销 | 当前促销策略对已触达用户是否有效 |
| 特征需求 | 需要全量用户的特征，包括未触达用户 | 主要关注处理组用户的特征分布 |
| 偏差来源 | 选择偏差 + 处理组与对照组分布差异 | 处理组内部异质性 |
| 常用估计方法 | IPW、DR、匹配、双重差分 | 倾向性评分匹配、逆概率加权（ATT权重） |
| 工程落地难度 | 较高，需要全量数据建模 | 相对较低，聚焦处理组 |
3.7 潜在结果框架的工程映射
将潜在结果框架映射到机器学习工程中，需要构建以下组件：
- 处理变量定义：明确 \(T\) 的取值规则，如“是否在7天内收到促销推送”。
- 结果变量定义：明确 \(Y\) 的度量方式，如“收到推送后14天内的购买金额”。
- 协变量集合：收集影响 \(T\) 和 \(Y\) 的混淆变量，如历史购买频次、用户活跃度、设备类型等。
- 反事实估计器：选择ATE或ATT作为目标，并部署对应的因果估计模型（如倾向性评分加权、因果森林等）。
- 效果评估流水线：在离线评估中使用AUC、校准曲线等指标，在线评估中使用A/B测试验证因果效应估计的准确性。
下图展示了从潜在结果定义到工程落地的完整数据流与模型架构。
3.8 关键总结
- 潜在结果框架为每个个体定义了处理状态下的结果 \(Y(1)\) 和未处理状态下的结果 \(Y(0)\)，实际观测值由处理变量决定。
- ATE 衡量全体平均因果效应，公式为 \(E[Y(1) - Y(0)]\)，适用于策略层面的全局评估。
- ATT 衡量处理组平均因果效应，公式为 \(E[Y(1) - Y(0) | T=1]\)，更贴近实际运营效果评估。
- ATE 与 ATT 的差异源于选择偏差，即处理组与对照组在未处理状态下的潜在结果均值不同。
- 在工程落地中，需根据业务目标选择合适的因果效应指标，并构建对应的特征工程与模型流水线。