4、层级数据中的因果结构：层级混淆、层级中介、跨层级交互效应

在层级预测任务中，数据天然具有嵌套结构（如：用户-店铺-区域、学生-班级-学校、交易日-周-月）。这种结构不仅影响预测误差的传播，更在因果推断层面引入了三类独特的结构性问题：层级混淆、层级中介和跨层级交互效应。忽略这些结构，将导致特征提取阶段引入虚假关联，最终破坏预测调和的因果一致性。

4.1 层级混淆（Hierarchical Confounding）

层级混淆是指：一个同时影响高层级变量和低层级变量的未观测因素，导致两个层级之间的相关性被错误归因为因果关系。在预测场景中，这通常表现为“聚合层级的趋势被错误地解释为对底层个体的因果驱动”。

4.2 层级中介（Hierarchical Mediation）

层级中介是指：高层级变量通过影响中间层级变量，再间接影响低层级结果。在预测调和过程中，如果直接控制中间变量，会阻断因果路径，导致对高层级变量的总效应估计失真。

层级中介的三种效应分解：

• 直接效应（DE）： 高层变量 → 低层结果（不经过中间层）
• 间接效应（IE）： 高层变量 → 中间变量 → 低层结果
• 总效应（TE）： DE + IE，即预测调和需要保留的完整因果影响

4.3 跨层级交互效应（Cross-Level Interaction）

跨层级交互效应是指：一个层级的变量调节另一个层级变量对结果的因果效应。这是层级数据中最容易被忽视但影响最大的结构。在预测调和工程中，忽略交互效应会导致调和系数在不同层级条件下失效。

跨层级交互的三种工程形态：

1. 斜率交互： 高层变量改变低层变量与结果之间的斜率关系（如：区域补贴力度调节价格弹性）
2. 截距交互： 高层变量改变低层结果的基准水平（如：国家政策提升所有门店的基线销量）
3. 非线性交互： 交互效应本身随某个层级变量的取值而变化（如：库存水平对销量的影响在促销期与非促销期不同）

4.4 工程落地：因果结构感知的特征提取流程

在层级预测的因果特征提取阶段，建议采用以下三步流程来应对上述三种结构：

Step 1 — 因果结构审计：

• 绘制层级变量之间的有向无环图（DAG），标注混淆、中介、交互路径
• 使用部分相关检验和条件独立性检验验证结构假设
• 识别“不可控混淆”和“可阻断中介”

Step 2 — 分层特征提取：

• 对混淆变量：引入层级固定效应或倾向得分分层
• 对中介变量：保留完整路径，不进行“去相关”预处理
• 对交互变量：构造交互特征项（X·Z），或使用分层模型（如分层贝叶斯）

Step 3 — 因果一致性校验：

• 在验证集上检查：高层级预测误差是否与低层级残差存在系统性相关
• 使用“干预校准”测试：人为改变高层输入，观察低层预测是否按预期方向变化
• 若发现符号反转或效应量异常，回溯至Step 1修正DAG

# 伪代码：层级因果结构感知的特征提取框架
def extract_causal_features(df, level_cols, target_col):
    # Step 1: 因果结构审计
    dag = build_hierarchical_dag(df, level_cols)
    confounders = identify_confounders(dag)
    mediators = identify_mediators(dag)
    interactions = identify_cross_level_interactions(dag)
    
    # Step 2: 分层特征提取
    features = []
    for col in level_cols:
        if col in confounders:
            # 引入固定效应或残差化
            feat = residualize(df[col], confounders[col])
        elif col in mediators:
            # 保留原始值，不阻断路径
            feat = df[col]
        else:
            feat = df[col]
        features.append(feat)
    
    # Step 3: 交互特征构造
    for (high_var, low_var) in interactions:
        interaction_feat = df[high_var] * df[low_var]
        features.append(interaction_feat)
    
    return pd.concat(features, axis=1)