Potential Outcome Framework 简化问题的三个假设

Stable Unit Treatment Value Assumption [[稳定单元干预值假设]]#card

• 不同个体的潜在结果之间不会有交互影响

• 干预水平对所有个体一致

• 单元之间相互独立，一个单元受到的干预不会影响另外一个单元的潜在结果。举一个不满足的反例，某苹果手机降价后销量大涨，相关的手机壳等配件销量也随之上涨，苹果手机和手机壳等就不是独立的，类似地可以用GNN建模该关联。

• 干预形式是唯一的，对于同一种干预不存在能产生不同潜在结果的其他版本。举一个不满足的反例，如果将降价视为干预，打5折和打9折对销量的影响显然差异巨大，而应该将不同的折扣建模为多值干预。

[[No unmeasured confounders]] 没有未测量的混杂因子#card

• 可忽略性/非混淆假设（Ignorability / Unconfoundedness Assumption

• $W \perp \!\!\! \perp Y(W=0), Y(W=1) \mid X$

• 给定X，则分配机制与Y无关

• 如果两个个体的x一样，则无论W是什么，其潜在结果一样

• 如果两个个体的×一样，则无论潜在结果是什么，它们的分配机制都一样

• 背景变量包含了所有的混杂因子。如果背景变量仅包含了部分混杂因子，那就无法去除干净伪相关的影响，预测的因果效应就存在高低估问题。不过想要做到这点挺难的，有时候我们都不知道有哪些混杂因子，更别提把它们都包括进来。
  相同背景变量的单元无论受到何种干预其潜在结果也相同，并且无论潜在结果如何其受到的干预机制相同。

Positivity [[正值假设]]#card

• 干预是确定的，对于任何背景变量的单元，每一种干预的概率大于0。

• $P(W=w \mid X=X)>0 \quad \forall w$ and $x$

• common support / overlap