入门

为什么需要因果推断

相关性并不意味着因果关系，比如一项研究表明，吃早餐的女孩比不吃早餐的女孩更瘦，因此得出结论：‘吃早餐能减肥‘。 但事实上，吃早餐和瘦这2件事也许只是存在相关性，瘦并不是吃早餐的 果，也就是它们并不存在因果关系；事实上，也许吃早餐的女孩瘦是因为她有很多好的生活习惯比如：起得早，睡得早，健身等，最终使他变瘦。我们把’吃早餐和瘦‘ 之间的其他能够影响结论的变量称之为 混淆变量(coudounding variables), 如健身。

到我们实际场景中，这些例子就变成了

• 在 feeds 流里刷到一个新推荐策略的内容的用户留存更高，他们的高留存是因为这个推荐策略导致的吗，这个策略究竟对留存的提升有多大效果？
• 上周投放了某游戏广告的用户登录率更高，他们的高登录率有多大程度是由广告带来的，有多大程度是由于他们本身就是高潜力用户？
• ······

在这些例子中，本质上，我们都是想要分析一个干预（treatment）对一个结果（outcome）有怎样的影响，想要探究其中的因果效应，最常见的办法就是做 A/B Test 。但是，A/B Test 也有一定的局限性，例如：

• 需要花一定的时间实现，比较耗费人力；
• 需要占用足量的随机流量，并且需要持续一段时间以收集数据；
• 某些实验可能损害用户体验，例如给用户推荐一些并不匹配兴趣的内容；
• 当可做 A/B Test 的选择太多时，往往难以全部都进行尝试。

鉴于 A/B Test 的种种局限性，研究如何利用手边已有的历史数据进行 “因果分析” 变得无比重要。所以如何不通过 A/B test 来对潜在结果进行合理的预估，就是因果推断所研究的范围，下面先介绍一些名词/符号