本章要回答的三个问题:平均效应掩盖了什么?当一个人接受的处理会改变另一个人的结果时,第 1 到第 4 章的框架哪里失效?剂量连续、方案多阶段时,因果效应又该怎么定义?
平均处理效应是"一个人的平均",但决策往往发生在细分人群层面:一种药对总体平均有效,可能对某亚组有害。更麻烦的是社会与商业场景里普遍存在干扰——一个人打了疫苗,他周围的人感染率也下降,SUTVA(个体处理值稳定假设)直接被打破。本章把教科书里被一行假设带过的这些复杂情形展开:条件平均处理效应(CATE)与提升建模、网络干扰下的暴露映射、连续与多重治疗下的广义倾向得分。
你能定义 CATE 并说出它与 ATE、ATT 的关系;能解释 uplift 模型的两类典型构造(差分法、转化建模)各自适合什么数据;能指出疫苗、市场活动、平台推荐三类场景各自的干扰结构,并写出部分干扰下的效应定义;能把多重治疗问题转化为广义倾向得分加权,并知道共同支撑域在高维下会崩得多快。
| 节 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 5.1 异质性与子群分析 | 效应在谁身上不一样 | CATE 与 uplift 对照表 |
| 5.2 干扰与网络效应 | 个体互相影响时怎么办 | 暴露映射分类 |
| 5.3 多重与连续治疗 | 处理不是 0-1 时怎么建模 | 广义倾向得分要点 |
第 4 章的倾向得分方法。本章不引入新的识别理论,重点是把已有概念推广时的假设变化。
学完本章应当能:写出 CATE 定义并说明其与 ATE、ATT 的嵌套关系;比较 T-learner、S-learner、X-learner 与因果树的适用条件,解释诚实分裂为什么必要;列出 uplift 四人群并说明为何个体不可观测、评估为何必须靠分桶实验;给干扰下的效应四元组(直接、间接、总、溢出)各写一个定义式;解释暴露映射的压缩假设与整群随机的设计效应公式;说出平台实验三大失真(污染、抢蛋糕、挤出)各自的修正方向;对多值与连续处理使用广义倾向得分并诊断支撑域;解释 MTE 曲线的斜率含义与动态策略的两条估计路线。本章内容彼此独立性强,可按业务需要选读,但 CATE 与干扰两节几乎是所有落地项目的必经关卡。
拿第 4 章练习里那份分析,追问两个升级问题:效应在你的哪个子群最大(把样本按两个预注册亚组变量分层重估,对照 CATE 直觉);你的场景里干扰半径是多大、当前实验单元是否覆盖(若不能覆盖,写出度量溢出的具体方案)。这两个问题的答案,往往决定平均效应报告之外项目还能贡献什么。
CATE:条件平均处理效应;uplift:处理对个体的增量;persuadables/sleeping dogs:增益人群/反作用人群;诚实分裂:选分裂与估效应分样本的树构建法;Qini 曲线:uplift 排序质量的评估曲线;SUTVA 违反/干扰:结果依赖他人处理;暴露映射:干扰的参数化压缩;直接/间接/总/溢出效应:干扰下四元组;设计效应 DEFF:整群设计方差膨胀因子;switchback:时间轮换的实验设计;广义倾向得分:多值/连续处理的分配概率;MTE:边际处理效应曲线。本章术语多为组合词,拆开都能索引回第 1、2、4 章的基础定义。
至此,因果图都是研究者手工画出来的。第 6 章讨论反过来的一步:能不能从数据里把因果图的等价类学出来——以及为什么"完全学会方向"在观察数据上注定不可能。