因果推論 是什麼？
Causal Inference：因果推論 的完整解釋
因果推論是從觀察數據中推斷因果關係的方法，旨在確定一個變數的變化是否直接導致另一個變數的變化。
容易混淆
因果推論 vs 相關性 相關性只說一起變，因果推論要回答改變 X 會不會導致 Y 變。
觀察研究 vs 隨機試驗 觀察研究看現成資料，隨機試驗用設計降低混雜因子。
因果推論 vs 預測模型 預測模型追求準，因果推論追求可解釋的介入效果。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
實際案例
案例 1：新優惠券 你想知道發券是否真的提升回購，而不是只是剛好買的人比較多。
案例 2：教育介入 你想知道額外輔導課是否真的拉高成績，而不是剛好去上課的學生本來就更認真。
算法與應用
面向 重點 核心 要分辨干擾因素，才能把相關和因果拆開。 常用工具 A/B 測試、DAG、配對、工具變數、差異中的差異。 注意 沒有好設計的觀察資料，很容易把相關誤看成因果。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 因果推論 | 台灣正式用語 |
| 因果推断 | 簡體寫法 |
| Causal Inference | 英文原名 |
| 因果分析、因果推理 | 常見變體 |
相關不等於因果，差在哪
兩件事同時發生可能有三種原因：A 造成 B、B 造成 A、或有第三個因素 C 同時造成 A 和 B。第三種就是混淆變數（confounder），也是統計相關最常見的陷阱。
冰淇淋銷量與溺水人數高度相關，但沒有因果關係，共同原因是氣溫。
因果推論要回答的是反事實（counterfactual）問題：如果同一個人沒有吃這個藥，結果會怎樣？這件事永遠觀察不到，因為同一個人不可能同時吃藥又沒吃藥。這叫做因果推論的根本問題，所有方法本質上都是在估計這個看不到的另一半。
主要方法
| 方法 | 需要的條件 | 說明 |
|---|---|---|
| 隨機對照試驗（RCT）／A/B 測試 | 能隨機分配 | 黃金標準，隨機分配讓兩組的混淆因素平均相同 |
| 傾向分數配對 | 觀測到所有重要混淆變數 | 把處理組與對照組中條件相近的人配成對再比較 |
| 差異中的差異（DiD） | 有處理前後與對照組 | 用對照組的變化扣掉「本來就會發生的變化」 |
| 工具變數（IV） | 找得到只透過處理影響結果的變數 | 用外部隨機性製造準實驗 |
| 斷點迴歸（RDD） | 有明確的門檻規則 | 比較門檻兩側剛好差一點的個體 |
因果圖（DAG）是規劃這些分析的工具：先把變數之間假設的因果方向畫出來，才能判斷該控制哪些變數。
不是控制越多變數越好，這是很多人的直覺錯誤。控制到對撞因子（collider）會憑空製造出偏誤，控制到中介變數（mediator） 會把想估計的效果本身扣掉一部分。該不該控制某個變數，取決於它在因果圖上的位置，不取決於它跟結果的相關性高低。
實務上什麼時候特別需要它
做決策而不只是做預測的時候。預測模型回答「這個客戶會不會流失」，因果模型回答「如果我發折價券，能挽回多少」。前者用相關就夠，後者不做因果分析會做出反效果的決策。
典型例子是行銷：模型找出最可能購買的人並對他們發券，看起來轉換率很高，但這些人本來就會買，發券只是白送錢。真正該找的是發了才會買、不發就不會買的那群人，這需要提升建模（uplift modeling），本質上是因果推論。
情境判斷
Q1（判斷題）： 看到冰淇淋銷量和溺水率一起升高，能說冰淇淋造成溺水嗎？ → 不能，這很可能是氣溫這個混雜因素一起在作用。
Q2（判斷題）： 如果 A/B 測試做得很完整，還需要擔心混雜嗎？ → 通常比觀察資料少很多，但還是要注意實驗污染和執行偏差。
常見問題
因果推論一定要有實驗嗎？
不一定，但有實驗通常最乾淨；沒有實驗時就要靠嚴謹設計補強。
因果推論和統計檢定是一樣的嗎？
不一樣，檢定只是判斷差異顯著，因果推論要再回答介入效果。
混雜因子是什麼？
它是同時影響 X 和 Y 的第三個因素，會把因果關係搞亂。