作者：稀饭
反事实因果分析框架介绍
1、反事实的概念
反事实状态是指，处理变量取值为“现实中没有发生”的状态下，相应变量的取值。例如，感冒后吃了药，那么感冒后没有吃药就是反事实的状态。
2、因果关系的定义
是一个事件（即“因”）和第二个事件（即“果”）之间的作用关系，其中后一事件被认为是前一事件的结果。一般来说，一个事件是很多原因综合产生的结果，而且原因都发生在较早时间点，而该事件又可以成为其他事件的原因。
3、因果关系的估计量
（1）实验组平均因果处理效应（ATT）
是指针对那些接受处理变量影响的个体的因果效果。以是否上大学对收入的影响为例，ATT就等于“某一批人上了大学后的收入（事实）”－“这一批人假如没上大学的收入（反事实）”。
（2）控制组平均因果处理效应（ATU）
是指针对那些没有接受处理变量影响的个体的因果效果。以是否上大学对收入的影响为例，ATU就等于“某一批人如果上了大学后的收入（反事实）”－“这一批人没上大学当前的收入（事实）”。
（3）平均因果处理效应（ATE）
ATE = ATT涉及的人群占比 × ATT + ATU涉及的人群占比 × ATU。
（4）三种因果关系估计量分析
对比ATT和ATU可以发现，对大多数的研究而言，ATT要比ATU重要的多。因为ATT涉及的这批人是“真正”被处理变量处理过的，也就是接受到了处理变量的影响。而ATU则是针对没有任何处理变量影响的对象。所以，ATT的估计值有政策上的实际价值，而ATU的估计值缺乏政策价值。但是对于一个一般的社会科学研究而言，很多时候需要“更一般性”的因果效应，单纯关注ATT或ATU都是不合适的，所以需要有ATE这种平均值来代表。总结来说，ATT、ATU是部分人群的因果效果，而ATE则是数据整体的因果效果。
4、因果分析的前提假设
（1）单位处理变量稳定性假设（SUTVA）
这个假设是说，被研究对象所接受的处理变量的性质是固定的。固定的含义是指，一是所关心的处理变量的性质在不同对象之间不存在互相影响，另一个则是指处理变量之间没有版本差异。
（2）一致性假设
每个个体都有两个看不到的状态，有处理和没处理，如果这个个体接受了某一个处理变量的影响的话，它的观测值就等于它潜在的看不到的那个值。
（3）可忽略性假设
一个个体接受处理变量影响（进入实验组还是对照组）是一个随机事件，和潜在的看不到的状态是独立的。
（4）正值假设
每个研究对象接受处理的概率都在0到1之间，大于0，且小于1。
广告区↓
