因果推断

[[因果推断方法]]

从结果估计原因 $$P(Y|do(X))$$

因果推断 ( Causal Inference ) 作为新兴的人工智能技术方向，旨在突破传统数据分析和机器学习方法的瓶颈，建模大规模数据集中的因果关系，为干预手段的设计提供指导，为构建下一代面向用户增长的全域分发系统提供理论基石。

正确区分因果关系和相关关系的方法论

核心课题

• 从众多观测到/未观测到的变量中找出致因 ( causes )

• 预估某个行为/因素的影响力/效益 ( causal effect )

核心是寻找反事实 ( counterfactual ) 镜像

随机对照实验的局限性

[[因果关系阶梯]]：关联、干预、反事实

因果建模方式

• 有随机控制实验 RCT Randomized Controlled Trial

  • 根据控制变量去随机分组

  • 耗时，非道德

• 观测研究 Observational Study

  • 每个样本的 treatment 不是随机的

  • [[Potential Outcome Framework]] Rubin Causal Model

    • 不可观测变量转化成可观测变量

[[匹配法]]

[[UPlift Model]]

• [[Uplift Model 评估]]

• [[Uplift Curve]]

• [[Meta-Learner]]

  • [[S-Learner]] one-model 的差分响应模型

  • [[T-Learner]] two-model 差分响应模型

  • [[X-Learner]] 基于 T-Learner的反事实推断模型

  • [[R-Learner]] 通过 Robinson’s transfomation 定义一个损失函数，然后通过最小化损失函数的方法达到对增量进行建模的目的。

[[Ref]]

• TODO 统计之都 因果推断 系列

  • 因果推断简介之六：工具变量（instrumental variable） | 统计之都

• [[Using Causal Inference to Improve the Uber User Experience]]

• Theoretical Impediments to Machine Learning With Seven Sparks from the Causal Revolution

  • 《机器学习的理论困境与因果革命的七个启示》 | cf020031308.github.io

• [[因果推断在阿里文娱用户增长中的应用]]

• 因果阶梯与Do-演算：怎样完美地证明吸烟致癌？

  • 吸烟基因导致尼古丁上瘾和肺癌