斯坦福2024因果推断教科书：从AB测试到工程落地-平芜编程栈

简介：这份资源是斯坦福大学Stefan Wager于2024年9月更新的《Causal Inference: A Statistical Learning Approach》教科书草稿，面向数据科学、统计学、经济学与公共政策领域的学习者和研究者，帮助读者用统计学习方法系统理解因果关系的估计与推断。全书共十二章，从随机对照试验中的差异均值估计与回归调整讲起，依次覆盖无混淆性与倾向得分、双重稳健方法与双重机器学习、异质处理效应、政策学习、自适应实验、平衡估计器、回归断点设计，并延伸至内生处理、局部平均处理效应、溢出与干扰等前沿主题，每章附有文献注释便于深入拓展。资源包为1个PDF文件，大小约1.66MB，轻量便携，适合在电脑或平板上随时查阅。目前已有1996人学习下载，无论是入门因果推断基础概念，还是掌握双重机器学习、政策评估等进阶方法，都能从中获得清晰的理论框架与可落地的分析思路。

1. 因果推断这本斯坦福2024教科书，为什么让做AB测试的人集体破防

如果你做过推荐、风控、增长里的任意一块，大概率被同一个问题折磨过：模型明明在离线数据上表现很好，一上线效果就崩。你以为是特征穿越，查了半天发现是混淆变量在作祟。因果推断斯坦福2024最新因果推断教科书这个方向，最近在技术圈被反复提起，原因很直接——它把“相关不等于因果”这句正确的废话，变成了可以写进代码、跑出置信区间的工程流程。这本教科书不是让你背公式的，它解决的是决策问题：这个策略到底有没有用，用了之后能涨多少，涨的部分是不是真的归因于它。适合谁？做AB实验平台的人、做策略迭代的人、做用户增长归因的人，以及所有被“离线涨点、线上掉点”反复打脸的一线工程师。它不要求你先成为统计学家，但要求你愿意把假设写清楚、把图模型画出来、把估计量算出来。

2. 从相关到因果：把教科书里的图模型翻译成可执行的建模步骤

2.1 先搞清楚你手里的数据属于哪一类因果问题

教科书开篇就把问题分成两大类：实验数据和观察数据。实验数据是你自己随机分组跑出来的，比如AB测试；观察数据是你从日志里捞出来的，用户自己选择了某个行为。这两类数据的处理路径完全不同。实验数据相对干净，随机化保证了处理组和对照组在期望上可比，你只需要算差值、做显著性检验。观察数据就麻烦得多，因为选择偏差无处不在——高活跃用户更可能点某个按钮，同时他们也更可能付费，你直接算点击和付费的相关性，会把高活跃这个共同原因算进去。

我一般会先画一张因果图，把处理变量、结果变量、可观测混淆变量、不可观测混淆变量都标出来。这张图不需要多精确，它的作用是逼你把假设写下来。比如“用户活跃度影响是否点击”这条边，如果你画不出来，说明你还没想清楚业务逻辑。教科书里反复强调：没有假设就没有因果结论。这一步不做，后面所有计算都是空中楼阁。

2.2 用后门准则确定需要控制哪些变量

画完图之后，下一步是找调整集。后门准则说的是：如果你要估计X对Y的因果效应，需要找到一组变量Z，使得在控制Z之后，X和Y之间所有后门路径都被阻断。后门路径是指从X出发，先经过指向X的箭头（反向），再绕到Y的路径。听起来绕，实际操作就是：把所有指向X的箭头对应的变量找出来，控制它们。

下面这段Python代码演示了如何用networkx手动检查后门路径。注意，这不是教科书里的官方代码，是我自己排查时写的辅助脚本。

import networkx as nx # 构建因果图：X=处理，Y=结果，Z=混淆变量 # 边方向表示因果方向 G = nx.DiGraph() G.add_edges_from([ ('Z', 'X'), # 混淆变量影响处理 ('Z', 'Y'), # 混淆变量影响结果 ('X', 'Y'), # 处理影响结果（我们要估计的） ]) # 找所有从X到Y的路径 all_paths = list(nx.all_simple_paths(G, source='X', target='Y')) print("所有路径:", all_paths) # 判断哪些路径是后门路径：路径上第一个边是反向的 # 简化判断：如果路径经过Z且Z指向X，则是后门路径 for path in all_paths: if 'Z' in path: print(f"路径 {path} 包含混淆变量Z，需要控制Z")

逻辑说明：这段代码把因果图建成有向图，然后枚举X到Y的所有简单路径。如果路径上出现了指向X的变量，说明存在后门路径。参数上，source和target分别对应处理变量和结果变量，all_simple_paths会返回所有不重复节点的路径。实际业务中图会大得多，但思路一样：先画图，再找调整集。

2.3 倾向得分匹配：观察数据里最常用的“造实验”方法

当你确定需要控制一组变量Z之后，最常用的手段是倾向得分匹配。它的核心思想是：把多个混淆变量压缩成一个分数，即用户接受处理的概率，然后找分数相近的处理组和对照组样本进行配对。这样就把多维匹配问题降成了一维匹配。

import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.neighbors import NearestNeighbors # 假设df有处理列T，结果列Y，混淆变量X1, X2 df = pd.read_csv('observational_data.csv') X = df[['X1', 'X2']] T = df['T'] # 第一步：估计倾向得分 ps_model = LogisticRegression(max_iter=1000) ps_model.fit(X, T) df['ps'] = ps_model.predict_proba(X)[:, 1] # 第二步：对处理组每个样本，在对照组找最近邻 treated = df[df['T'] == 1].copy() control = df[df['T'] == 0].copy() nn = NearestNeighbors(n_neighbors=1, metric='euclidean') nn.fit(control[['ps']]) distances, indices = nn.kneighbors(treated[['ps']]) # 第三步：配对并计算ATT matched_control = control.iloc[indices.flatten()] att = treated['Y'].mean() - matched_control['Y'].mean() print(f"ATT估计值: {att:.4f}")

逻辑说明：先用逻辑回归估计每个样本的倾向得分，再用最近邻匹配找对照。参数上，n_neighbors=1表示一对一匹配，实际中可以用n_neighbors=3做多对一降低方差。metric='euclidean'在得分是一维时就是绝对距离。注意，匹配后要检查共同支撑域，即处理组和对照组的得分分布是否有重叠，没有重叠的样本要丢掉，否则外推风险很大。

2.4 双重稳健估计：教科书里最推荐的“后悔药”

倾向得分匹配有个致命弱点：如果倾向得分模型设错了，匹配结果就有偏。双重稳健估计（Doubly Robust）解决了这个问题：它同时建两个模型，一个倾向得分模型，一个结果回归模型，只要其中一个是对的，估计量就是一致的。教科书里花了大量篇幅讲这个，因为它在实践中确实稳。

from sklearn.ensemble import GradientBoostingRegressor import numpy as np # 接上面的df，已有ps列 # 结果回归模型：用X和T预测Y X_cols = ['X1', 'X2'] reg_model = GradientBoostingRegressor(n_estimators=100, max_depth=3) reg_model.fit(df[X_cols + ['T']], df['Y']) # 预测每个样本在T=1和T=0下的潜在结果 df_t1 = df.copy(); df_t1['T'] = 1 df_t0 = df.copy(); df_t0['T'] = 0 mu1 = reg_model.predict(df_t1[X_cols + ['T']]) mu0 = reg_model.predict(df_t0[X_cols + ['T']]) # 双重稳健公式 T = df['T'].values Y = df['Y'].values ps = df['ps'].values dr = mu1 - mu0 + T * (Y - mu1) / ps - (1 - T) * (Y - mu0) / (1 - ps) print(f"双重稳健ATE估计: {dr.mean():.4f}")

逻辑说明：mu1和mu0是结果模型对每个样本在两种处理下的预测。双重稳健公式的核心是：用结果模型做基础预测，再用倾向得分对残差做加权修正。参数上，n_estimators和max_depth控制回归模型的复杂度，太复杂会过拟合，太简单会欠拟合。ps不能太接近0或1，否则分母会爆炸，一般会做截断，比如限制在0.05到0.95之间。

3. 工具选型：为什么我最终把教科书里的方法落到了这几个库上

3.1 Python生态里做因果推断的三个层次

第一层是统计基础库，statsmodels和scipy，适合做简单的回归调整和假设检验。第二层是专门做因果推断的库，比如causalml、econml、dowhy。第三层是通用机器学习库，sklearn、xgboost、lightgbm，用来做结果回归和倾向得分模型。我一般会混用：用dowhy画图、定调整集，用econml做异质性效应估计，用sklearn做底层模型。

选型的关键不是哪个库最强，而是你的问题需要多细的粒度。如果只想知道策略整体有没有用，statsmodels的回归就够了。如果想知道对不同用户群体的效应差异，就需要econml里的因果森林。如果还想做反事实预测，dowhy的推断流程更完整。

3.2 因果森林：估计异质性效应的主力工具

因果森林是教科书里重点介绍的方法，它把随机森林的分裂准则从“预测误差最小”改成了“因果效应异质性最大”。简单说，它自动找哪些用户群体的处理效应差异最大。下面是一个最小可跑示例。

from econml.dml import CausalForestDML from sklearn.ensemble import RandomForestRegressor # Y=结果，T=处理，X=异质性变量，W=混淆变量 Y = df['Y'].values T = df['T'].values X = df[['X1']].values # 我们想看X1不同取值下效应是否不同 W = df[['X2']].values # 需要控制的混淆变量 cf = CausalForestDML( model_y=RandomForestRegressor(n_estimators=200, min_samples_leaf=10), model_t=RandomForestRegressor(n_estimators=200, min_samples_leaf=10), n_estimators=500, min_samples_leaf=20, discrete_treatment=True ) cf.fit(Y, T, X=X, W=W) # 查看X1在不同分位点上的处理效应 import numpy as np x1_vals = np.percentile(X[:, 0], [10, 50, 90]) for v in x1_vals: effect = cf.effect(np.array([[v]])) print(f"X1={v:.2f} 时，处理效应为 {effect[0]:.4f}")

逻辑说明：model_y和model_t是辅助模型，分别用来消除Y和T中由W带来的 confounding。n_estimators是森林里树的数量，min_samples_leaf控制每片叶子的最小样本数，太小会过拟合，太大会抹平异质性。discrete_treatment=True表示处理是二值的。输出的是条件平均处理效应（CATE），即给定X1取值下的效应。实际中要配合置信区间看，econml提供了effect_interval方法。

3.3 用DoWhy做假设检验和敏感性分析

DoWhy的强项是把因果推断拆成四步：建模、识别、估计、反驳。其中反驳这一步是教科书里反复强调的，也是实践中容易被忽略的。反驳包括：随机混淆变量看估计是否稳定、用子集重估、加安慰剂处理等。

from dowhy import CausalModel model = CausalModel( data=df, treatment='T', outcome='Y', common_causes=['X1', 'X2'] ) identified_estimand = model.identify_effect() estimate = model.estimate_effect( identified_estimand, method_name="backdoor.propensity_score_matching" ) # 反驳：加一个随机混淆变量 refutation = model.refute_estimate( identified_estimand, estimate, method_name="random_common_cause" ) print(refutation)

逻辑说明：common_causes就是调整集，identify_effect会自动检查后门准则。method_name指定估计方法，这里用倾向得分匹配。refute_estimate会往数据里加一个随机变量，如果估计值变化很大，说明原估计不稳健。参数上，random_common_cause可以重复多次看分布。这一步在教科书里叫“敏感性分析”，实际中能帮你判断结论是不是玄学。

4. 避坑指南：因果推断落地时最容易翻车的五个地方

4.1 把调整集当成了“越多越好”

现象：有人把所有能拿到的变量都塞进倾向得分模型，结果估计值反而更偏。原因：控制变量不是越多越好，控制了对撞变量（collider）会引入新的偏差。对撞变量是指同时受处理和结果影响的变量，控制它反而打开了一条后门路径。解决：严格按照因果图选调整集，只控制指向处理变量的变量。不确定的变量先不控，做敏感性分析看结果稳不稳。

4.2 倾向得分没有检查共同支撑域

现象：匹配后处理组和对照组的样本量差很多，或者匹配距离很大。原因：处理组和对照组的倾向得分分布没有重叠，强行匹配等于外推。解决：画两张得分的密度图，只保留重叠区域的样本。如果重叠区域太小，说明观察数据里根本没有可比样本，这时候应该放弃因果推断，转而设计实验。

4.3 把统计显著当成了业务显著

现象：P值小于0.05，但效应值只有0.1%，上线后完全看不出变化。原因：样本量大了之后，任何微小差异都会显著。解决：同时看效应值和置信区间，结合业务成本判断。教科书里强调，因果推断给出的是效应估计，不是决策本身。决策还要考虑实施成本、机会成本、风险。

4.4 忽略了时间维度的因果方向

现象：用同期的混淆变量去控制，结果把中介变量也控了。原因：因果图是有时间顺序的，处理发生在结果之前，混淆变量发生在处理之前。如果混淆变量和处理同期，它可能是中介变量。解决：把变量按时间戳排序，只控制处理发生之前测量的变量。时间信息不明确的变量，单独做一组分析看结果是否敏感。

4.5 用观察数据的方法去分析实验数据

现象：明明跑了AB测试，却用倾向得分匹配去分析，结果把随机化带来的平衡破坏了。原因：实验数据已经通过随机化控制了所有混淆变量，包括未观测的。再用匹配就是画蛇添足，还会损失样本。解决：先判断数据来源。如果是随机实验，直接用差值或回归调整；如果是观察数据，才走倾向得分或双重稳健。教科书里把这两条路径分得很清楚，别混用。

5. 进阶技巧：用E值做敏感性分析，判断结论有多“抗造”

5.1 为什么需要E值

双重稳健和因果森林都假设没有未观测混淆变量，但这个假设永远无法验证。E值就是用来量化这个假设的：它回答“未观测混淆变量需要多强，才能把估计效应解释掉”。E值越大，结论越抗造。教科书里把E值作为敏感性分析的标准工具，因为它不依赖具体模型，只依赖效应值本身。

5.2 手算E值的步骤和代码

E值的计算分两种情况：风险比（RR）和标准化均值差（SMD）。这里以SMD为例，因为连续结果更常见。

import numpy as np def e_value_smd(smd, se): """ 计算标准化均值差的E值 smd: 估计的标准化均值差 se: 标准误 """ # 把SMD转成近似风险比 rr = np.exp(0.91 * smd) # 计算E值 if rr < 1: rr = 1 / rr e = rr + np.sqrt(rr * (rr - 1)) # 置信区间下界的E值 rr_lower = np.exp(0.91 * (smd - 1.96 * se)) if rr_lower < 1: rr_lower = 1 / rr_lower e_lower = rr_lower + np.sqrt(rr_lower * (rr_lower - 1)) return e, e_lower # 假设估计效应为0.3，标准误为0.1 e, e_lower = e_value_smd(0.3, 0.1) print(f"E值: {e:.2f}，置信区间下界的E值: {e_lower:.2f}")

逻辑说明：0.91是SMD到风险比的近似转换系数，来自教科书里的推导。e表示点估计的E值，e_lower表示置信区间下界的E值。解释：如果E值是2，说明未观测混淆变量需要让处理组和对照组的风险比达到2倍以上，才能把效应解释掉。实际中，E值大于2通常认为结论比较稳健，小于1.5就要警惕。