完整定義
因果推論是一種統計與計量經濟學方法,旨在從觀察數據中推斷變數之間的因果關係,而非僅僅是相關性。它試圖回答「如果我們改變 X,Y 會如何變化?」這類問題,透過設計實驗(如 A/B 測試)或運用準實驗方法(如工具變數、斷點回歸)來控制混淆變數,從而分離出特定因素的淨效應。因果推論在科學研究、政策制定、醫學、經濟學和商業決策(如評估行銷活動成效、推薦系統影響)中扮演著關鍵角色,有助於做出更精準、更具影響力的決策。
白話說明
你想知道一個政策或操作到底有沒有真的造成結果變化時,你會怎麼判斷它真正的作用?
你可以把它想成 因果推論是從觀察數據中推斷因果關係的方法,旨在確定一個變數的變化是否直接導致另一個變數的變化。
在 你想知道一個政策或操作到底有沒有真的造成結果變化時 這種情境裡,這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
比喻
因果推論就像一個超級偵探,他不僅能發現「冰淇淋銷量高的時候,溺水人數也比較多」(相關性),還能進一步找出「是不是天氣熱導致冰淇淋銷量高,同時天氣熱也導致更多人去游泳而溺水」(因果關係)。他不是看兩件事有沒有一起發生,而是看一件事是不是「導致」了另一件事。
容易混淆
因果推論 vs 相關性
相關性只說一起變,因果推論要回答改變 X 會不會導致 Y 變。
觀察研究 vs 隨機試驗
觀察研究看現成資料,隨機試驗用設計降低混雜因子。
因果推論 vs 預測模型
預測模型追求準,因果推論追求可解釋的介入效果。
實際案例
案例 1:新優惠券
你想知道發券是否真的提升回購,而不是只是剛好買的人比較多。
案例 2:教育介入
你想知道額外輔導課是否真的拉高成績,而不是剛好去上課的學生本來就更認真。
演算法與應用
- 面向
- 核心
- 重點
- 要分辨干擾因素,才能把相關和因果拆開。
- 面向
- 常用工具
- 重點
- A/B 測試、DAG、配對、工具變數、差異中的差異。
- 面向
- 注意
- 重點
- 沒有好設計的觀察資料,很容易把相關誤看成因果。
中英對照與常見說法
- 說法
- 因果推論
- 出現場合
- 台灣正式用語
- 說法
- 因果推断
- 出現場合
- 簡體寫法
- 說法
- Causal Inference
- 出現場合
- 英文原名
- 說法
- 因果分析、因果推理
- 出現場合
- 常見變體
相關不等於因果,差在哪
兩件事同時發生可能有三種原因:A 造成 B、B 造成 A、或有第三個因素 C 同時造成 A 和 B。第三種就是混淆變數(confounder),也是統計相關最常見的陷阱。
冰淇淋銷量與溺水人數高度相關,但沒有因果關係,共同原因是氣溫。
因果推論要回答的是反事實(counterfactual)問題:如果同一個人沒有吃這個藥,結果會怎樣?這件事永遠觀察不到,因為同一個人不可能同時吃藥又沒吃藥。這叫做因果推論的根本問題,所有方法本質上都是在估計這個看不到的另一半。
主要方法
因果圖(DAG)是規劃這些分析的工具:先把變數之間假設的因果方向畫出來,才能判斷該控制哪些變數。
不是控制越多變數越好,這是很多人的直覺錯誤。控制到對撞因子(collider) 會憑空製造出偏誤,控制到中介變數(mediator) 會把想估計的效果本身扣掉一部分。該不該控制某個變數,取決於它在因果圖上的位置,不取決於它跟結果的相關性高低。
- 方法
- 隨機對照試驗(RCT)/A/B 測試
- 需要的條件
- 能隨機分配
- 說明
- 黃金標準,隨機分配讓兩組的混淆因素平均相同
- 方法
- 傾向分數配對
- 需要的條件
- 觀測到所有重要混淆變數
- 說明
- 把處理組與對照組中條件相近的人配成對再比較
- 方法
- 差異中的差異(DiD)
- 需要的條件
- 有處理前後與對照組
- 說明
- 用對照組的變化扣掉「本來就會發生的變化」
- 方法
- 工具變數(IV)
- 需要的條件
- 找得到只透過處理影響結果的變數
- 說明
- 用外部隨機性製造準實驗
- 方法
- 斷點迴歸(RDD)
- 需要的條件
- 有明確的門檻規則
- 說明
- 比較門檻兩側剛好差一點的個體
實務上什麼時候特別需要它
做決策而不只是做預測的時候。預測模型回答「這個客戶會不會流失」,因果模型回答「如果我發折價券,能挽回多少」。前者用相關就夠,後者不做因果分析會做出反效果的決策。
典型例子是行銷:模型找出最可能購買的人並對他們發券,看起來轉換率很高,但這些人本來就會買,發券只是白送錢。真正該找的是發了才會買、不發就不會買的那群人,這需要提升建模(uplift modeling),本質上是因果推論。
情境判斷
Q1(判斷題): 看到冰淇淋銷量和溺水率一起升高,能說冰淇淋造成溺水嗎?
不能,這很可能是氣溫這個混雜因素一起在作用。
Q2(判斷題): 如果 A/B 測試做得很完整,還需要擔心混雜嗎?
通常比觀察資料少很多,但還是要注意實驗污染和執行偏差。
常見問題
不一定,但有實驗通常最乾淨;沒有實驗時就要靠嚴謹設計補強。
不一樣,檢定只是判斷差異顯著,因果推論要再回答介入效果。
它是同時影響 X 和 Y 的第三個因素,會把因果關係搞亂。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把因果推論列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本