思维工具箱因果图与混杂控制
E20
因果图与混杂控制
Causal DAG / Confounding Control
用有向无环图理清混杂并选择调整变量
这是什么
「用了功能的人留存更高」不一定是功能造成的——可能是原本更积极的人两边都高。因果图用箭头写下你对方向的假设：混杂同时影响处理与结果；中介在路径上；碰撞是共同结果，乱控制反而打开偏差。图不是相关自动证明的事实；调哪些变量取决于图和你要估的效应。
示意图
什么时候用 / 别用
该用
- 观测到关联但无法直接随机实验
- 规划观测分析、选控制变量
- 要显式说出证据缺口与假设
别用
- 以为画完箭头就等于证明因果
- 机械控制「所有变量」含中介与碰撞
- 反馈环未按时间展开却硬画无环
怎么做
准备：干预、对照与结果定义及时间先后；业务机制与处理前变量；采样、缺失与可能未测因素
- 把问题写成「同类人换动作结果会怎样」
- 与业务方画出含未观测变量的假设图
- 识别混杂路径与可行调整集，避免乱控
- 选分层、标准化、加权或回归等估计
- 查可比性与敏感性，写清结论依赖的假设
交付：因果假设图、变量采集清单、调整方案、风险与证据等级说明
一个例子
假设示例 · 产品
【假设示例】用了「学习路径」的 51as.com 用户留存更高，可能因动机强者更爱用路径也更易留。应采使用前行为作可能混杂；若估总效果，勿随意控制路径带来的练习次数（或为中介）。
容易踩坑
- 调整后相关仍可能有未测混杂
- 共同支持不足时硬回归
- 把 DAG 当数据产品而非假设工具
出处：因果推断中用有向无环图识别混杂与调整集的方法