“喝咖啡的人更长寿”“参加培训的人收入更高”“使用某功能的用户更愿意续费”，这些观察都可能是真的，却不能直接说明前者造成了后者。
因果推断的发展，正是一段不断拒绝把相关性当答案的历史。所谓颠覆性时刻，不是某个模型取代所有旧方法，而是研究者一次次重新定义：我们究竟想估计什么，以及凭什么能从数据得到它。
## 第一个转折：主动随机化
随机试验把参与者随机分到不同处理组，使已知和未知因素在平均意义上更可比。这样，结果差异就更有理由归因于处理本身。
随机化改变的不是统计公式，而是数据产生过程。研究者不再被动接受现实世界的分组，而是通过设计制造一个更可信的比较。
它也不是万能的。样本可能不代表目标人群，失访与不依从会破坏比较，长期或昂贵干预也难以随机实施。因此，随机试验建立了因果证据的基准，却没有结束观察性研究。
## 第二个转折：用反事实定义效应
对同一个人，我们想比较“接受处理后的结果”和“没有接受处理时的结果”。现实只能看到其中一个，另一个就是反事实。
因果效应因此不是单个观测值，而是两个潜在结果的差。个体效应通常无法直接观察，但在合适设计和假设下，可以估计群体平均效应。
这一框架迫使问题变得具体。“广告有效吗”过于模糊；“向过去未购买用户展示一次广告，相比不展示，在七天内对购买率的平均影响是多少”才接近可估计问题。
处理版本、时间窗口、目标人群和结果指标都必须固定。定义不清，再大的数据也只能给出精确的含糊答案。
## 第三个转折：因果图把假设画出来
因果图用箭头表达变量之间被假定的因果关系。它可以帮助判断哪些变量是混杂因素，哪些是中介，哪些变量一旦条件化反而会制造偏差。
例如，健康状况可能同时影响是否运动和患病风险，是需要处理的混杂因素；而运动后的体重变化可能处在因果路径上，若目标是总效应，就不应随意控制。
Pearl 的结构因果模型与 `do` 运算把“看到某人选择了处理”和“主动把处理设为某值”区分开来。do-calculus 进一步讨论在给定因果图假设下，干预分布能否由观察数据识别。
图不会自动发现真相。箭头来自领域知识、研究设计和可辩护的假设。它的颠覆性在于让隐含假设变得可讨论，而不是让假设消失。
## 第四个转折：处理随时间变化
现实干预经常不是一次性的。患者会根据先前检查调整治疗，平台会根据用户行为改变推荐，企业也会根据早期结果追加资源。
此时，一个变量可能既受过去处理影响，又影响未来处理与结果。直接在普通回归中控制它，可能阻断部分真实效应；不控制，又会留下混杂。
James Robins 在纵向因果推断中发展的 g 方法，正是为这类时间变化的处理与混杂关系服务。Harvard CAUSALab 将 1986 年关于复杂纵向数据的工作视为重要转折。
这让因果问题从“吃药还是不吃药”扩展到“在每个时点依据当前信息采用什么策略”。动态策略更贴近真实决策，也对数据完整性和模型假设提出更高要求。
## 第五个转折：把观察研究写成目标试验
许多观察研究的偏差，来自没有先描述想要模拟的理想试验。目标试验框架要求明确入组条件、处理策略、分配方式、随访起点、结果和分析方案。
特别重要的是“时间零点”。若入组、处理开始和随访开始没有对齐，研究可能引入不死时间偏差：参与者必须先存活或保持活跃一段时间，才有机会进入处理组。
把方案先写清，不能消除未测混杂，却能暴露时间定义、选择机制和分析口径中的错误。它把观察数据分析从“现成字段里找关系”拉回到研究设计。
## 第六个转折：机器学习负责复杂预测
传统因果模型常要指定变量之间的函数形式。高维数据中，线性或简单交互可能不足，机器学习则擅长拟合复杂的结果模型和处理分配模型。
但预测准不等于因果效应准。直接把正则化模型塞进效应公式，可能带来偏差。双重或去偏机器学习通过正交得分与交叉拟合，降低辅助预测误差对目标因果参数的影响。
它仍然依赖识别假设，例如关键混杂已被测量、不同人有机会接受各处理、处理定义一致。算法可以放松函数形式，却不能从缺失的因果信息中创造证据。
## 今天真正改变了什么
因果推断让数据团队把问题分成三个层次。第一是定义：处理、结果、时间和人群是什么。第二是识别：在什么假设下，目标效应能由现有数据表示。第三是估计：用什么统计或机器学习方法计算。
这三个层次不能倒置。模型再先进，也不能补救错误的目标；估计置信区间再窄，也不能证明未测混杂不存在。
因果机器学习还推动了异质效应分析，例如判断不同人群的平均反应是否不同。但切分越细，样本越少，偶然差异越容易被误认为个性化规律。
## 一套实用分析顺序
先把问题改写成明确干预，而不是模糊的特征重要性。再画出数据产生过程，列出可能的混杂、中介、选择和测量变量。
随后判断是否有随机化、自然实验或足够可信的观察设计。若效应可识别，预先确定估计方法、敏感性分析和负向对照；若不可识别，就应诚实地停在描述或预测层面。
最后用不同合理模型检查结果稳定性，并说明估计对应哪个人群和时期。外推到新场景需要新的证据，不能只靠一个显著性数字。
因果推断最“颠覆”的地方，不是把所有问题变成因果答案，而是让人知道何时没有资格下因果结论。每个历史转折都在增加一种能力，也同时把假设写得更清楚。
## 参考资料