应用Ylearn框架实现因果推断

引言#

在数据科学领域，我们经常听到这样一句话：“相关不代表因果”（Correlation does not imply causation）。传统的机器学习方法擅长发现数据中的模式和相关性，但在回答”为什么”以及”如果这样做会怎样”等因果问题时却力不从心。

因果推断（Causal Inference）正是解决这一问题的关键技术。无论是在医疗健康（新药是否有效？）、营销决策（优惠券是否真的提升了销量？）还是政策制定（教育投资能否提高收入？）中，理解变量之间的因果关系都至关重要。

YLearn（“Why Learn”）是阿里巴巴开源的一个端到端因果学习 Python 库，集成了因果图发现、因果效应估计、uplift modeling 等多种功能，大幅降低了因果推断的技术门槛。

本文将系统介绍因果推断的核心概念，并通过丰富的实战案例展示如何使用 YLearn 解决实际业务问题。

1. 因果推断基础理论#

1.1 为什么需要因果推断？#

问题示例：某电商平台发现，发放优惠券后用户的购买金额增加了。能否得出结论：优惠券提升了销售额？

潜在陷阱：

可能是因为原本就要购买的用户更倾向于领取优惠券
可能是季节性因素导致销量上升
可能存在选择偏差（selection bias）

相关 vs 因果：

相关分析	因果推断
X 与 Y 同时变化	X 的改变导致 Y 的改变
观察性结论	反事实推理
预测未来趋势	预测干预效果
机器学习擅长	需要因果推断方法

1.2 因果推断的核心概念#

1.2.1 反事实框架（Potential Outcomes Framework）#

定义：每个个体在不同干预下都有潜在结果。

$Y_i(1)$ ：个体 $i$ 接受干预时的结果
$Y_i(0)$ ：个体 $i$ 不接受干预时的结果
个体因果效应： $\tau_i = Y_i(1) - Y_i(0)$

根本问题：我们只能观察到 $Y_i(T_i)$ （实际发生的结果），无法同时观察 $Y_i(1)$ 和 $Y_i(0)$ 。

1.2.2 平均处理效应（ATE）#

\text{ATE} = E[Y(1) - Y(0)] = E[Y(1)] - E[Y(0)]

实际含义：整个群体接受干预相比不接受干预的平均效果。

1.2.3 条件平均处理效应（CATE）#

\text{CATE}(x) = E[Y(1) - Y(0) | X = x]

异质性效应：不同特征的个体可能对干预有不同的反应。

示例：

年轻用户对优惠券的响应可能比老年用户更强
高收入群体可能对小额优惠券不敏感

1.2.4 混淆因子（Confounder）#

定义：同时影响干预和结果的变量。

1
  混淆因子 C
2
    ↙     ↘
3
干预 T  →  结果 Y

示例：

C = 用户活跃度
T = 是否发放优惠券
Y = 购买金额

活跃用户更可能领取优惠券，也更可能购买，造成虚假的因果关系。

1.3 因果推断的三大支柱#

随机对照试验（RCT）
- 金标准，但成本高、周期长、伦理限制
因果图（Causal Graph）
- DAG（有向无环图）表示变量间的因果关系
- 用于识别混淆因子和调整策略
潜在结果模型
- Rubin Causal Model
- 通过建模反事实结果估计因果效应

2. YLearn 框架概览#

2.1 YLearn 的设计哲学#

YLearn 遵循 端到端因果学习流程：

1
数据准备 → 因果图发现 → 因果效应识别 → 因果效应估计 → 策略优化

2.2 核心模块#

2.2.1 Causal Discovery（因果发现）#

从数据中自动学习变量间的因果结构。

支持算法：

PC 算法（基于条件独立测试）
GES 算法（基于评分的搜索）
LiNGAM（线性非高斯无环模型）

2.2.2 Causal Effect Estimation（因果效应估计）#

估计干预的因果效应（ATE、CATE等）。

支持方法：

S-Learner：单模型学习
T-Learner：双模型学习（treatment + control）
X-Learner：针对样本不平衡优化
R-Learner：鲁棒学习器
DR-Learner：双重鲁棒学习器
Causal Tree/Forest：因果树/森林

2.2.3 Uplift Modeling（提升建模）#

识别对干预响应最强的个体，优化资源分配。

2.2.4 Policy Learning（策略学习）#

学习最优干预策略，最大化整体效用。

2.3 安装 YLearn#

1
pip install ylearn

依赖库：

numpy, pandas
scikit-learn
networkx（因果图）
matplotlib, seaborn（可视化）

3. 实战案例一：营销优惠券因果效应分析#

3.1 问题背景#

某电商平台想评估优惠券对用户购买的真实影响，数据包括：

Treatment（T）：是否发放优惠券
Outcome（Y）：用户消费金额
Covariates（X）：用户特征（年龄、历史消费、活跃度等）

3.2 数据准备#

1
import numpy as np
2
import pandas as pd
3
from ylearn.exp_dataset.exp_data import single_continuous_treatment
4
from ylearn.estimator_model import *
5
import matplotlib.pyplot as plt
6
import warnings
7
warnings.filterwarnings('ignore')
8

9
# 生成模拟数据
10
np.random.seed(2024)
11
n = 5000
12

13
# 用户特征
14
age = np.random.randint(18, 65, n)
15
income = np.random.lognormal(10, 1, n)
16
activity = np.random.gamma(2, 2, n)
17

18
# 混淆因子：活跃用户更可能收到优惠券
19
propensity = 1 / (1 + np.exp(-(0.01 * age - 0.00005 * income + 0.1 * activity - 5)))
20
treatment = np.random.binomial(1, propensity)
21

22
# 结果：真实因果效应 + 混淆效应
23
true_effect = 50 + 10 * (age > 30) - 5 * (income > 30000)  # 异质性效应
24
outcome = (
25
    100 +  # 基准消费
26
    0.5 * age +  # 年龄效应
27
    0.001 * income +  # 收入效应
28
    10 * activity +  # 活跃度效应
29
    treatment * true_effect +  # 真实因果效应
30
    np.random.normal(0, 20, n)  # 噪声
31
)
32

33
# 构建DataFrame
34
data = pd.DataFrame({
35
    'age': age,
36
    'income': income,
37
    'activity': activity,
38
    'treatment': treatment,
39
    'outcome': outcome
40
})
41

42
print(data.head())
43
print(f"\n样本量: {len(data)}")
44
print(f"治疗组比例: {treatment.mean():.2%}")

3.3 朴素对比的陷阱#

1
# 错误方法：直接比较治疗组和对照组
2
naive_ate = data[data['treatment'] == 1]['outcome'].mean() - \
3
            data[data['treatment'] == 0]['outcome'].mean()
4

5
print(f"朴素 ATE 估计: {naive_ate:.2f}")
6
print(f"真实 ATE（平均）: {true_effect.mean():.2f}")
7
print(f"估计偏差: {naive_ate - true_effect.mean():.2f}")

结果解读：朴素估计往往有显著偏差，因为忽略了混淆因子。

3.4 使用 YLearn 估计 ATE#

3.4.1 准备数据格式#

1
from sklearn.model_selection import train_test_split
2

3
# 划分训练集和测试集
4
train_data, test_data = train_test_split(data, test_size=0.3, random_state=42)
5

6
# 定义变量
7
treatment_col = 'treatment'
8
outcome_col = 'outcome'
9
covariate_cols = ['age', 'income', 'activity']
10

11
# 提取特征
12
X_train = train_data[covariate_cols].values
13
y_train = train_data[outcome_col].values
14
w_train = train_data[treatment_col].values
15

16
X_test = test_data[covariate_cols].values
17
y_test = test_data[outcome_col].values
18
w_test = test_data[treatment_col].values

3.4.2 S-Learner 方法#

1
from ylearn.estimator_model.meta_learner import SLearner
2
from sklearn.ensemble import GradientBoostingRegressor
3

4
# 创建 S-Learner
5
s_learner = SLearner(
6
    model=GradientBoostingRegressor(n_estimators=100, random_state=42)
7
)
8

9
# 训练模型
10
s_learner.fit(
11
    data=train_data,
12
    outcome=outcome_col,
13
    treatment=treatment_col,
14
    covariate=covariate_cols
15
)
16

17
# 估计 ATE
18
s_ate = s_learner.estimate(
19
    data=test_data,
20
    quantity='ATE'
21
)
22

23
print(f"S-Learner ATE: {s_ate:.2f}")

3.4.3 T-Learner 方法#

1
from ylearn.estimator_model.meta_learner import TLearner
2

3
# 创建 T-Learner（分别为治疗组和对照组训练模型）
4
t_learner = TLearner(
5
    model=GradientBoostingRegressor(n_estimators=100, random_state=42)
6
)
7

8
t_learner.fit(
9
    data=train_data,
10
    outcome=outcome_col,
11
    treatment=treatment_col,
12
    covariate=covariate_cols
13
)
14

15
t_ate = t_learner.estimate(
16
    data=test_data,
17
    quantity='ATE'
18
)
19

20
print(f"T-Learner ATE: {t_ate:.2f}")

3.4.4 X-Learner 方法（推荐）#

1
from ylearn.estimator_model.meta_learner import XLearner
2

3
# X-Learner 对样本不平衡更鲁棒
4
x_learner = XLearner(
5
    model=GradientBoostingRegressor(n_estimators=100, random_state=42)
6
)
7

8
x_learner.fit(
9
    data=train_data,
10
    outcome=outcome_col,
11
    treatment=treatment_col,
12
    covariate=covariate_cols
13
)
14

15
x_ate = x_learner.estimate(
16
    data=test_data,
17
    quantity='ATE'
18
)
19

20
print(f"X-Learner ATE: {x_ate:.2f}")

3.4.5 双重鲁棒估计（DR-Learner）#

1
from ylearn.estimator_model.doubly_robust import DRLearner
2

3
dr_learner = DRLearner(
4
    model_final=GradientBoostingRegressor(n_estimators=100, random_state=42),
5
    model_propensity=GradientBoostingRegressor(n_estimators=50, random_state=42),
6
    model_regression=GradientBoostingRegressor(n_estimators=50, random_state=42)
7
)
8

9
dr_learner.fit(
10
    data=train_data,
11
    outcome=outcome_col,
12
    treatment=treatment_col,
13
    covariate=covariate_cols
14
)
15

16
dr_ate = dr_learner.estimate(
17
    data=test_data,
18
    quantity='ATE'
19
)
20

21
print(f"DR-Learner ATE: {dr_ate:.2f}")

3.5 估计 CATE（异质性效应）#

1
# 使用 X-Learner 估计每个个体的 CATE
2
cate_estimates = x_learner.estimate(
3
    data=test_data,
4
    quantity='CATE'
5
)
6

7
# 可视化 CATE 分布
8
plt.figure(figsize=(12, 5))
9

10
plt.subplot(1, 2, 1)
11
plt.hist(cate_estimates, bins=50, edgecolor='black', alpha=0.7)
12
plt.xlabel('CATE Estimate')
13
plt.ylabel('Frequency')
14
plt.title('Distribution of CATE Estimates')
15
plt.axvline(cate_estimates.mean(), color='red', linestyle='--', label=f'Mean: {cate_estimates.mean():.2f}')
16
plt.legend()
17

18
plt.subplot(1, 2, 2)
19
plt.scatter(test_data['age'], cate_estimates, alpha=0.5)
20
plt.xlabel('Age')
21
plt.ylabel('CATE Estimate')
22
plt.title('CATE vs Age')
23
plt.tight_layout()
24
plt.show()

3.6 效果评估对比#

1
import pandas as pd
2

3
results = pd.DataFrame({
4
    'Method': ['Naive', 'S-Learner', 'T-Learner', 'X-Learner', 'DR-Learner'],
5
    'ATE Estimate': [naive_ate, s_ate, t_ate, x_ate, dr_ate],
6
    'True ATE': [true_effect.mean()] * 5
7
})
8

9
results['Bias'] = results['ATE Estimate'] - results['True ATE']
10
results['Absolute Bias'] = results['Bias'].abs()
11

12
print(results)

4. 实战案例二：Uplift Modeling 精准营销#

4.1 Uplift 建模的核心思想#

目标：识别对干预响应最强的个体，优化 ROI。

用户分类：

用户类型	不干预结果	干预结果	Uplift	决策
Sure Things	转化	转化	0	不需要优惠券
Persuadables	不转化	转化	正	目标群体
Lost Causes	不转化	不转化	0	无效投入
Sleeping Dogs	转化	不转化	负	避免打扰

4.2 使用 YLearn 实现 Uplift Modeling#

1
from ylearn.estimator_model.meta_learner import SLearner
2
from sklearn.ensemble import RandomForestRegressor
3

4
# 训练 Uplift 模型
5
uplift_model = SLearner(
6
    model=RandomForestRegressor(n_estimators=200, random_state=42)
7
)
8

9
uplift_model.fit(
10
    data=train_data,
11
    outcome=outcome_col,
12
    treatment=treatment_col,
13
    covariate=covariate_cols
14
)
15

16
# 预测每个用户的 uplift score
17
test_data['uplift_score'] = uplift_model.estimate(
18
    data=test_data,
19
    quantity='CATE'
20
)
21

22
# 按 uplift 分数排序
23
test_data_sorted = test_data.sort_values('uplift_score', ascending=False)
24
print(test_data_sorted[['age', 'income', 'activity', 'uplift_score']].head(10))

4.3 Uplift Curve 评估#

1
def plot_uplift_curve(data, treatment_col, outcome_col, uplift_score_col, n_bins=20):
2
    """绘制 Uplift Curve"""
3
    data = data.copy().sort_values(uplift_score_col, ascending=False)
4
    data['percentile'] = np.arange(len(data)) / len(data)
5

6
    bins = np.linspace(0, 1, n_bins + 1)
7
    uplift_curve = []
8

9
    for i in range(len(bins) - 1):
10
        subset = data[data['percentile'] <= bins[i+1]]
11

12
        treated = subset[subset[treatment_col] == 1]
13
        control = subset[subset[treatment_col] == 0]
14

15
        if len(treated) > 0 and len(control) > 0:
16
            ate = treated[outcome_col].mean() - control[outcome_col].mean()
17
            uplift_curve.append(ate * len(subset))
18
        else:
19
            uplift_curve.append(0)
20

21
    plt.figure(figsize=(10, 6))
22
    plt.plot(bins[1:], uplift_curve, marker='o')
23
    plt.xlabel('Population Percentile (Ranked by Uplift Score)')
24
    plt.ylabel('Cumulative Uplift')
25
    plt.title('Uplift Curve')
26
    plt.grid(True, alpha=0.3)
27
    plt.show()
28

29
plot_uplift_curve(test_data, 'treatment', 'outcome', 'uplift_score')

4.4 精准营销策略#

1
# 只对 uplift 分数最高的 30% 用户发放优惠券
2
top_30_pct = test_data_sorted.head(int(len(test_data_sorted) * 0.3))
3

4
# 计算 ROI
5
cost_per_coupon = 10  # 优惠券成本
6
avg_uplift_top30 = top_30_pct['uplift_score'].mean()
7
roi_top30 = (avg_uplift_top30 - cost_per_coupon) / cost_per_coupon
8

9
print(f"Top 30% 用户的平均 Uplift: {avg_uplift_top30:.2f}")
10
print(f"ROI: {roi_top30:.2%}")
11

12
# 对比：如果随机发放给 30% 用户
13
random_30_pct = test_data.sample(frac=0.3, random_state=42)
14
avg_uplift_random = random_30_pct['uplift_score'].mean()
15
roi_random = (avg_uplift_random - cost_per_coupon) / cost_per_coupon
16

17
print(f"\n随机 30% 用户的平均 Uplift: {avg_uplift_random:.2f}")
18
print(f"ROI: {roi_random:.2%}")
19
print(f"\nROI 提升: {(roi_top30 - roi_random) / roi_random:.2%}")

5. 实战案例三：因果图发现#

5.1 因果图的作用#

问题：在没有先验知识的情况下，如何从数据中学习变量间的因果关系？

YLearn 支持的因果发现算法：

5.1.1 PC 算法#

1
from ylearn.causal_discovery import CausalDiscovery
2

3
# 准备数据（只使用协变量和处理变量）
4
discovery_data = data[['age', 'income', 'activity', 'treatment']].copy()
5

6
# 使用 PC 算法发现因果图
7
cd = CausalDiscovery(
8
    method='pc',  # PC 算法
9
    alpha=0.05    # 独立性检验的显著性水平
10
)
11

12
# 拟合数据
13
causal_graph = cd.fit(discovery_data)
14

15
# 可视化因果图
16
import networkx as nx
17

18
plt.figure(figsize=(10, 8))
19
pos = nx.spring_layout(causal_graph, k=2, iterations=50)
20
nx.draw(
21
    causal_graph,
22
    pos,
23
    with_labels=True,
24
    node_color='lightblue',
25
    node_size=3000,
26
    font_size=12,
27
    font_weight='bold',
28
    arrows=True,
29
    arrowsize=20,
30
    edge_color='gray',
31
    width=2
32
)
33
plt.title('Discovered Causal Graph (PC Algorithm)')
34
plt.axis('off')
35
plt.tight_layout()
36
plt.show()

5.1.2 GES 算法（基于评分）#

1
# GES 算法（Greedy Equivalence Search）
2
cd_ges = CausalDiscovery(method='ges')
3
causal_graph_ges = cd_ges.fit(discovery_data)
4

5
# 对比两种算法的结果
6
print("PC Algorithm edges:", list(causal_graph.edges()))
7
print("GES Algorithm edges:", list(causal_graph_ges.edges()))

5.2 使用因果图进行调整集识别#

1
from ylearn.causal_discovery.graph import CausalGraph
2

3
# 创建因果图对象
4
graph = CausalGraph(causal_graph)
5

6
# 识别从 treatment 到 outcome 的调整集
7
adjustment_set = graph.get_adjustment_set(
8
    treatment='treatment',
9
    outcome='outcome'
10
)
11

12
print(f"识别的调整集: {adjustment_set}")
13
print("这些变量需要在因果效应估计中作为协变量进行调整")

6. 高级技巧与最佳实践#

6.1 倾向性得分（Propensity Score）#

用途：平衡治疗组和对照组的协变量分布。

1
from sklearn.linear_model import LogisticRegression
2

3
# 估计倾向性得分
4
ps_model = LogisticRegression(random_state=42)
5
ps_model.fit(X_train, w_train)
6

7
train_data['ps'] = ps_model.predict_proba(X_train)[:, 1]
8
test_data['ps'] = ps_model.predict_proba(X_test)[:, 1]
9

10
# 检查共同支撑（common support）
11
plt.figure(figsize=(10, 5))
12
plt.hist(train_data[train_data['treatment'] == 1]['ps'], bins=30, alpha=0.5, label='Treated')
13
plt.hist(train_data[train_data['treatment'] == 0]['ps'], bins=30, alpha=0.5, label='Control')
14
plt.xlabel('Propensity Score')
15
plt.ylabel('Frequency')
16
plt.title('Propensity Score Distribution')
17
plt.legend()
18
plt.show()

6.2 逆概率加权（IPW）#

1
# 使用倾向性得分进行加权
2
train_data['ipw'] = np.where(
3
    train_data['treatment'] == 1,
4
    1 / train_data['ps'],
5
    1 / (1 - train_data['ps'])
6
)
7

8
# 使用 IPW 估计 ATE
9
weighted_outcome_treated = (
10
    train_data[train_data['treatment'] == 1]['outcome'] *
11
    train_data[train_data['treatment'] == 1]['ipw']
12
).sum() / train_data[train_data['treatment'] == 1]['ipw'].sum()
13

14
weighted_outcome_control = (
15
    train_data[train_data['treatment'] == 0]['outcome'] *
16
    train_data[train_data['treatment'] == 0]['ipw']
17
).sum() / train_data[train_data['treatment'] == 0]['ipw'].sum()
18

19
ipw_ate = weighted_outcome_treated - weighted_outcome_control
20
print(f"IPW ATE: {ipw_ate:.2f}")

6.3 敏感性分析#

1
def sensitivity_analysis(data, treatment_col, outcome_col, covariate_cols,
2
                         n_bootstraps=100):
3
    """Bootstrap 敏感性分析"""
4
    ate_estimates = []
5

6
    for i in range(n_bootstraps):
7
        # 重采样
8
        bootstrap_sample = data.sample(frac=1.0, replace=True, random_state=i)
9

10
        # 估计 ATE
11
        learner = XLearner(
12
            model=GradientBoostingRegressor(n_estimators=50, random_state=i)
13
        )
14
        learner.fit(
15
            data=bootstrap_sample,
16
            outcome=outcome_col,
17
            treatment=treatment_col,
18
            covariate=covariate_cols
19
        )
20
        ate = learner.estimate(data=bootstrap_sample, quantity='ATE')
21
        ate_estimates.append(ate)
22

23
    # 计算置信区间
24
    ci_lower = np.percentile(ate_estimates, 2.5)
25
    ci_upper = np.percentile(ate_estimates, 97.5)
26

27
    print(f"ATE 估计: {np.mean(ate_estimates):.2f}")
28
    print(f"95% 置信区间: [{ci_lower:.2f}, {ci_upper:.2f}]")
29

30
    # 可视化
31
    plt.figure(figsize=(10, 5))
32
    plt.hist(ate_estimates, bins=30, edgecolor='black', alpha=0.7)
33
    plt.axvline(np.mean(ate_estimates), color='red', linestyle='--', label='Mean')
34
    plt.axvline(ci_lower, color='green', linestyle='--', label='95% CI')
35
    plt.axvline(ci_upper, color='green', linestyle='--')
36
    plt.xlabel('ATE Estimate')
37
    plt.ylabel('Frequency')
38
    plt.title('Bootstrap Sensitivity Analysis')
39
    plt.legend()
40
    plt.show()
41

42
    return ate_estimates
43

44
ate_bootstrap = sensitivity_analysis(
45
    train_data, 'treatment', 'outcome', covariate_cols, n_bootstraps=100
46
)

7. 真实业务场景应用#

7.1 A/B 测试增强#

场景：A/B 测试后，想知道哪些用户群体受益最大。

1
# 模拟 A/B 测试数据
2
ab_test_data = data.copy()
3
ab_test_data['variant'] = np.random.binomial(1, 0.5, len(data))  # 随机分组
4

5
# 使用 CATE 分析异质性
6
heterogeneity_model = XLearner(
7
    model=GradientBoostingRegressor(n_estimators=100, random_state=42)
8
)
9

10
heterogeneity_model.fit(
11
    data=ab_test_data,
12
    outcome='outcome',
13
    treatment='variant',
14
    covariate=['age', 'income', 'activity']
15
)
16

17
ab_test_data['cate'] = heterogeneity_model.estimate(
18
    data=ab_test_data,
19
    quantity='CATE'
20
)
21

22
# 识别高价值用户
23
high_value_users = ab_test_data[ab_test_data['cate'] > ab_test_data['cate'].quantile(0.75)]
24
print(f"高响应用户特征：")
25
print(high_value_users[['age', 'income', 'activity']].describe())

7.2 医疗决策支持#

场景：预测不同患者对治疗方案的响应。

1
# 模拟医疗数据
2
medical_data = pd.DataFrame({
3
    'age': np.random.randint(30, 80, 1000),
4
    'bmi': np.random.normal(25, 5, 1000),
5
    'blood_pressure': np.random.normal(120, 15, 1000),
6
    'treatment': np.random.binomial(1, 0.5, 1000)
7
})
8

9
# 结果：康复时间（天）
10
medical_data['recovery_days'] = (
11
    30 - 0.2 * medical_data['age'] +
12
    0.5 * medical_data['bmi'] +
13
    0.1 * medical_data['blood_pressure'] -
14
    medical_data['treatment'] * (5 + 0.1 * medical_data['age']) +
15
    np.random.normal(0, 5, 1000)
16
)
17

18
# 估计个性化治疗效果
19
medical_model = XLearner(
20
    model=GradientBoostingRegressor(n_estimators=100, random_state=42)
21
)
22

23
medical_model.fit(
24
    data=medical_data,
25
    outcome='recovery_days',
26
    treatment='treatment',
27
    covariate=['age', 'bmi', 'blood_pressure']
28
)
29

30
medical_data['treatment_effect'] = medical_model.estimate(
31
    data=medical_data,
32
    quantity='CATE'
33
)
34

35
# 个性化治疗建议
36
medical_data['recommend_treatment'] = medical_data['treatment_effect'] < -2  # 康复时间减少超过2天
37
print(medical_data[['age', 'bmi', 'treatment_effect', 'recommend_treatment']].head(20))

8. 常见陷阱与解决方案#

8.1 选择偏差（Selection Bias）#

问题：治疗组和对照组的协变量分布不同。

检测：

1
from scipy.stats import ks_2samp
2

3
for col in covariate_cols:
4
    treated = train_data[train_data['treatment'] == 1][col]
5
    control = train_data[train_data['treatment'] == 0][col]
6
    stat, pval = ks_2samp(treated, control)
7
    print(f"{col}: KS statistic = {stat:.4f}, p-value = {pval:.4f}")

解决：

使用倾向性得分匹配
使用 IPW 加权
使用双重鲁棒方法

8.2 混淆因子遗漏#

问题：未观测到的混淆因子导致估计偏差。

缓解策略：

敏感性分析
工具变量法（如果有）
差分法（Difference-in-Differences）

8.3 模型误设（Model Misspecification）#

问题：模型假设不符合数据生成过程。

解决：

使用非参数方法（如 Causal Forest）
集成多种模型
交叉验证选择最优模型

9. 总结与展望#

9.1 核心要点回顾#

因果推断核心概念：
- 反事实框架
- ATE vs CATE
- 混淆因子调整
YLearn 关键功能：
- 因果发现：PC、GES 算法
- 因果效应估计：S/T/X/DR-Learner
- Uplift Modeling：精准营销

实践流程：

1
问题定义 → 数据收集 → 因果图构建 →
2
模型选择 → 效应估计 → 敏感性分析 → 决策应用

9.2 YLearn vs 其他因果推断库#

库	优势	劣势
YLearn	端到端流程、文档丰富、易用	社区相对较小
DoWhy	理论完备、可视化强	学习曲线陡峭
EconML	经济学方法丰富	偏学术化
CausalML	Uber 开源、工业级	文档较少

9.3 未来方向#

因果强化学习：结合因果推断和 RL
时间序列因果：处理动态因果关系
因果表示学习：从原始数据学习因果特征
因果公平性：消除算法偏见

参考资源#

YLearn 官方文档：https://github.com/DataCanvasIO/YLearn
经典教材：
- Causal Inference: The Mixtape by Scott Cunningham
- The Book of Why by Judea Pearl
在线课程：
- Coursera: A Crash Course in Causality
- edX: Causal Inference (MIT)

因果推断是数据科学从”是什么”到”为什么”的关键跃升。掌握 YLearn 等因果推断工具，不仅能提升分析深度，更能为业务决策提供可靠的反事实预测，真正实现数据驱动的科学决策。 123