用观测数据推断因果的问题（一文搞懂混杂因素、辛普森悖论）

聊到因果推断与相关性的关系，大家其实都已经有一个认知叫做 相关性 != 因果性， 但学界从统计推断发展到后来因果推断是经历了一个漫长的过程，直到今天，我们仍然基础的对数据的处理和认知离不开统计推断的方法，所以学习了解用观测数据做因果推断可能导致的问题，能帮助我们在分析得到更准确结论的路上，走得更远一些！！

案例1： 中间变量做分层，引发悖论

现象：

• 各血压分层段，都是使用止血带的组治疗效果更差；

• 联来看，使用血压带治疗效果更好；

原因分析：

血压作为中间变量，血压带先作用于血压，在作用于治疗效果；

此外，血压还单独有部分对治疗效果的负向作用

因此，如果按照血压带进行分层，意味着在同分层内，只剩下负向效应，所以表现出不用血压带

案例2：混杂因素做分层，消除悖论

现象：

• 各个年龄段都是运动越多，胆固醇会越小；

• 联合来看，运动量越大，胆固醇越大；

原因分析：

存在age这个混淆变量，影响锻炼也影响胆固醇；

锻炼多的人，更多是年龄大的人，更容易胆固醇高

案例三：样本选择偏差的存在

现象描述：

不存在辛普森悖论，但是结果还是与预期不符合；

由于上面的数据收集都是已经活着到医院的人，对于那部分在到医院前死亡的人的数据没有收集，天然导致割裂了因果关系中的一个链路。

加入未入院人群的数据：

练习一下：伯克利入学录取率

现象：

总体来看，男生录取率远高于女生，但按专业分层后大部分专业都是女生录取率更高

解释：

专业是中间变量，不能基于此做分

总结：

由于未观测到和能观测的混淆变量、中间变量和样本选取偏差等等问题，直接用观测数据难以推测得到真实的因果效应，相关性 不等于 因果性 ；

相关系列更多知识：关注gzh 《大佬等我呀》

参考资料：

1、b站北大老师

因果推断（一）_哔哩哔哩_bilibili

2、饺子博士和饭老师

【因果推断入门】第1季第1集 课程简介 【Introduction to Causal Inference】 #统计机器学习课程_哔哩哔哩_bilibili