因果推断实战备忘：跑模型前必须核验的假设清单
Nasereliver · x · 2026-10-03
一篇系统性梳理因果推断前提假设的教程文章。作者强调"数据本身没有智能，建模前必须先思考"：要从观察数据得到无偏估计，需先用假设弥补无法做随机对照试验（RCT）的缺陷。文章覆盖的内容包括：
- 因果推断基本问题与 Rubin / Pearl 两大框架
- 核心假设逐一讲解：无混杂（unconfoundedness）、后门准则、好控制与坏控制变量、正值性（positivity）、模块化假设
- SUTVA 及其违反情形（溢出效应 spillover）、一致性假设
- 面板/时序场景假设：平行趋势、无预期效应（no anticipation）
文章定位为实用备忘清单，帮助读者在使用横截面数据、面板数据或存在时变混杂的观察数据做识别（identification）之前，先核对各假设是否成立。
「研究」频道最新
- Erik Hoel 创办 Bicameral Labs,要用科学方法破解意识之谜 — erikphoel · 2026-10-03
- NASCAR 方法破解人脑皮层下重叠脑网络，解析常规方法看不到的结构 — bttyeo · 2026-10-03
- 仅 434 个参数，Reddit 网友用进化算法教 AI 学会开车 — egehancry · 2026-10-03
- 研究者购入 Meta 最贵自我中心数据采集设备,录制长时程任务 — lukas_m_ziegler · 2026-10-03
- 自建多视角审议系统盲测不敌单次调用:搜索比深度思考更关键 — Wonderful_Bite1139 · 2026-10-03
- 5 模型×10 拍卖场景：LLM 保留人类 bidder 机制级排序 — soumitrashukla9 · 2026-10-03