简介：这份资源是斯坦福大学Stefan Wager于2024年9月更新的《Causal Inference: A Statistical Learning Approach》教科书草稿，面向数据科学、统计学、经济学与公共政策领域的学习者和研究者，帮助读者用统计学习方法系统理解因果推断的理论框架与实践工具。压缩包内共1个PDF文件，大小约1.66MB，内容为完整英文教材，目录结构清晰，便于按章节检索学习。全书从随机对照试验的差异均值估计与回归调整讲起，依次覆盖无混淆与倾向得分、双重稳健方法与双重机器学习、异质处理效应估计、政策学习、自适应实验、平衡估计器以及回归断点设计等核心主题，并延伸至内生处理、局部平均处理效应、溢出与干扰等进阶内容。目前已有1998人学习下载，适合希望从基础概念逐步深入到前沿方法的读者，也可作为课程教学与科研参考的案头资料。
1. 因果推断：为什么随机化能让你看见“平行世界”
因果推断最反直觉的地方在于：它要回答的问题，本质上是一个永远无法直接观测的“平行世界”问题。你吃了药，病好了——但如果没吃药呢？那个“没吃药的你”现在是什么状态？没人知道。这就是因果推断领域公认的“根本问题”：每个个体在某一时刻只能接受一种处理，我们永远只能观测到潜在结果中的一个。斯坦福大学2024年的这本《Causal Inference: A Statistical Learning Approach》开篇就直面这个困境，用Neyman-Rubin潜在结果框架把“因果效应”定义为一个可计算的差值：∆ᵢ = Yᵢ(1) − Yᵢ(0)。这个差值本身不可观测，但随机化实验让我们可以估计它的某些整体性质。换句话说，因果推断不是去“看见”平行世界，而是通过随机化让两个世界的可比群体在统计意义上等价，从而让差值可估计。这本书从随机对照试验出发，一路讲到双重稳健估计、异质处理效应、政策学习、自适应实验、回归断点设计，覆盖了因果推断从基础到前沿的完整链条。搞懂这套框架的底层逻辑，比记住任何一个估计量的公式都重要。
2. 随机化为什么能“无中生有”：从差分均值到回归调整
2.1 差分均值估计量的无偏性从何而来
随机对照试验中最朴素的估计量是差分均值：把处理组的平均结果减去对照组的平均结果。这个估计量之所以能无偏地估计样本平均处理效应，核心机制在于随机化本身。当处理分配Wᵢ与潜在结果{Yᵢ(0), Yᵢ(1)}独立时，处理组和对照组在期望意义上就是“同一批人”的两个副本。书中给出的定理1.1证明了这个结论：在SUTVA（稳定单位处理值假设）和随机分配条件下，差分均值估计量是有限样本无偏的。这个结论的强度在于它不依赖任何分布假设——你不需要假设结果服从正态分布，也不需要假设潜在结果来自某个特定总体。随机化本身就是识别策略。
但无偏性只解决了“估计量的期望等于真值”这个问题，它没有告诉你估计误差有多大。要构造置信区间，就需要引入总体抽样假设：假设研究参与者是从某个总体中独立抽取的。在这个假设下，中心极限定理给出差分均值估计量的渐近正态性，其方差为：
VDM = Var[Yᵢ(0)]/(1−π) + Var[Yᵢ(1)]/π其中π是处理分配概率。这个方差公式揭示了一个设计层面的权衡：当π接近0或1时，某一组的样本量会非常小，方差急剧膨胀。所以实践中通常取π=0.5，让两组样本量尽量均衡。书中还给出了方差的插件估计量，用样本方差替代总体方差，并证明了其一致性。这些结果构成了随机对照试验统计分析的标准工具箱。
2.2 回归调整：用协变量换方差缩减
差分均值估计量虽然无偏，但它没有利用任何预处理协变量信息。如果你在实验前测量了受试者的年龄、性别、基线指标等变量，这些信息可以用来做什么？书中第1.2节给出了答案：回归调整。具体做法是在差分均值的基础上，加入协变量与处理指示变量的交互项，通过最小二乘回归来估计处理效应。这个估计量在随机化条件下仍然是无偏的，但方差通常比差分均值估计量更小。
为什么回归调整能缩减方差？直觉是这样的：如果某个协变量X与结果Y高度相关，那么X的变异会贡献到Y的方差中。通过回归把X的影响“扣除”掉，残差的方差就变小了，处理效应估计的精度自然提高。书中给出了一个关键结论：当协变量与结果的关联越强，方差缩减的效果越明显。但这里有一个常见的坑：回归调整的方差缩减效果依赖于模型设定的正确性。如果你假设处理效应是常数（即没有交互项），但真实情况是处理效应随协变量变化，那么回归调整可能会引入偏差。所以书中建议在随机试验中，即使做了回归调整，也应该报告差分均值的结果作为参照。
2.3 从随机试验到观察性研究的桥梁
随机对照试验是因果推断的“黄金标准”，但很多现实问题无法做随机实验——你不可能随机分配一个人去吸烟。那么观察性研究怎么做因果推断？书中第2章给出了核心答案：无混淆性假设。这个假设说的是：在控制了协变量X之后，处理分配W与潜在结果{Y(0), Y(1)}独立。换句话说，所有同时影响处理选择和结果的混杂因素都被观测到了。在这个假设下，观察性研究就可以模仿随机试验的分析框架。
但无混淆性假设本身是不可检验的——你永远不知道有没有遗漏的混杂因素。这就是为什么书中花了大量篇幅讨论倾向得分方法。倾向得分e(X) = P(W=1|X)把高维协变量压缩成一个一维分数，在无混淆性假设下，只要控制住倾向得分，就能平衡所有协变量。这个性质叫做“平衡性”，是倾向得分方法的核心机制。书中第2.1节的分层估计和2.2节的逆倾向加权都是基于这个性质。逆倾向加权的思想尤其巧妙：它通过给每个样本赋予权重1/e(X)或1/(1−e(X))，构造出一个“伪总体”，在这个伪总体中处理组和对照组的协变量分布是相同的。这相当于用加权的方式“模拟”了一个随机试验。
3. 双重稳健与双重机器学习：当两个模型都错的时候还能剩下什么
3.1 双重稳健估计的“双保险”机制
倾向得分方法有一个致命弱点：如果倾向得分模型设定错误，估计量就有偏。同样，如果结果回归模型设定错误，基于回归的估计量也有偏。双重稳健估计的巧妙之处在于：它同时使用倾向得分模型和结果回归模型，只要其中一个模型设定正确，估计量就是一致的。这就像给估计量上了双保险——你不需要知道哪个模型是对的，只要不是两个都错就行。
书中第3章给出了双重稳健估计的一般形式。以逆倾向加权和回归调整的结合为例，双重稳健估计量可以写成：
τ_DR = (1/n) Σ [ (WᵢYᵢ)/ê(Xᵢ) − ((1−Wᵢ)Yᵢ)/(1−ê(Xᵢ)) ] − (1/n) Σ [ (Wᵢ − ê(Xᵢ))/ê(Xᵢ) * m̂₀(Xᵢ) + ... ]这个公式看起来复杂，但机制可以这样理解：第一项是逆倾向加权的估计量，第二项是一个“校正项”，用结果回归模型来修正倾向得分模型的误差。当倾向得分模型正确时，校正项的期望为零，估计量退化为逆倾向加权；当结果回归模型正确时，校正项恰好抵消了逆倾向加权的偏差。这种“互相纠错”的结构就是双重稳健性的来源。
3.2 双重机器学习：用交叉拟合打破过拟合的诅咒
双重稳健估计有一个前提：倾向得分和结果回归模型必须满足一定的收敛速度。如果模型过拟合，估计量反而会有偏。这个问题在高维协变量场景下尤其严重——当协变量维度很高时，机器学习模型很容易过拟合，导致倾向得分估计不准。书中第3.1节介绍的双重机器学习（Double Machine Learning）通过交叉拟合（cross-fitting）解决了这个问题。
交叉拟合的做法是：把数据分成K折，对于每一折，用其他K−1折的数据训练倾向得分模型和结果回归模型，然后用训练好的模型对当前折的样本进行预测。这样做的目的是打破模型训练误差和估计误差之间的相关性。如果没有交叉拟合，模型在训练集上的过拟合会导致倾向得分估计在训练样本上过于极端（接近0或1），从而放大逆倾向加权的方差。交叉拟合确保了用于估计处理效应的倾向得分是在“未见过的数据”上预测的，从而避免了过拟合带来的偏差。
书中给出了双重机器学习估计量的渐近正态性结果，并证明了在一定的正则条件下，即使使用复杂的机器学习模型（如随机森林、神经网络），双重机器学习估计量仍然可以达到参数收敛速度。这个结果的深刻之处在于：它表明你不需要为了统计推断而牺牲模型的灵活性。你可以用机器学习模型来捕捉复杂的非线性关系，同时仍然获得有效的置信区间。
3.3 有效估计与半参数效率界
双重机器学习不仅是一致的，它还是渐近有效的——也就是说，在所有正则估计量中，它的渐近方差达到了最小值。这个最小值由半参数效率界给出。书中第3.2节推导了无混淆性假设下的效率界，并证明了双重机器学习估计量达到了这个界。这个结果的实践意义是：如果你相信无混淆性假设成立，那么双重机器学习估计量就是你所能构造的最优估计量——没有其他估计量能在渐近意义上比它更精确。
但这里有一个重要的提醒：效率界的达到依赖于倾向得分和结果回归模型的收敛速度满足一定条件。具体来说，两个模型的预测误差乘积必须比n^{-1/2}衰减得更快。这个条件在低维协变量场景下通常满足，但在高维场景下需要模型具有稀疏性或其他结构。如果这个条件不满足，双重机器学习估计量可能达不到效率界，甚至可能不一致。所以书中反复强调：双重稳健性不是免费的午餐，它需要模型选择的正则化条件来支撑。
4. 异质处理效应：为什么“平均”会掩盖真相
4.1 从平均效应到条件平均效应
传统的因果推断关注平均处理效应（ATE），但平均效应可能掩盖了处理效应在不同人群中的巨大差异。比如一种药对某些人有效、对另一些人无效甚至有害，平均效应可能接近零，但这并不意味着药物没有效果。书中第4章转向异质处理效应，关注条件平均处理效应（CATE）：τ(x) = E[Y(1) − Y(0) | X = x]。这个量刻画了处理效应如何随协变量x变化。
估计CATE的难点在于：你需要在每个x处估计两个潜在结果的期望，但每个样本只能观测到一个潜在结果。直接的做法是对处理组和对照组分别建模，然后做差。但这种做法在高维协变量场景下容易过拟合。书中第4.1节介绍了半参数建模方法，通过假设CATE具有某种低维结构（如线性或稀疏线性）来降低估计难度。第4.2节则介绍了一种更灵活的方法：直接为处理异质性设计一个损失函数，通过最小化这个损失函数来估计CATE，而不需要分别建模两个潜在结果。
4.2 异质性估计的损失函数设计
直接估计CATE的一个关键挑战是：你无法观测到个体处理效应∆ᵢ，所以无法直接定义预测误差。书中给出的解决方案是构造一个“伪结果”，使得这个伪结果的期望等于CATE。具体来说，对于任何函数f(x)，定义：
L(f) = E[ (Y − f(X))² | W=1 ] − E[ (Y − f(X))² | W=0 ]这个损失函数的巧妙之处在于：它的最小值点就是CATE函数τ(x)。换句话说，你不需要知道∆ᵢ，只需要最小化这个可观测的损失函数，就能得到CATE的估计。这个损失函数被称为“R-loss”或“异质性损失”。它的推导利用了倾向得分：在无混淆性假设下，E[Y|X, W=1] − E[Y|X, W=0] = τ(X)。所以最小化处理组和对照组的预测误差之差，等价于最小化CATE的估计误差。
这个损失函数的实践意义是：它把CATE估计问题转化为了一个标准的监督学习问题。你可以用任何回归方法（线性回归、随机森林、梯度提升树）来最小化这个损失函数，从而得到CATE的估计。书中还讨论了如何用交叉验证来选择超参数，以及如何构造CATE的置信区间。这些方法使得异质处理效应的估计变得像训练一个预测模型一样简单。
4.3 异质性估计的常见陷阱
异质性估计最容易踩的坑是“过拟合异质性”。当你用高维协变量和灵活模型来估计CATE时，模型可能会捕捉到噪声而不是真实的异质性。这会导致你发现一些看似显著的处理效应差异，但实际上这些差异只是随机波动。书中建议的做法是：先用一个独立的验证集来评估CATE估计的稳定性，或者使用交叉拟合来避免过拟合。另一个坑是“忽略倾向得分”。如果处理分配概率e(X)随X变化，那么直接比较处理组和对照组的条件均值会引入偏差。正确的做法是在损失函数中加入倾向得分的逆权重，或者使用双重稳健的CATE估计量。
5. 政策学习与自适应实验：当因果推断遇上决策优化
5.1 政策学习：从估计效应到做决策
估计处理效应只是第一步，真正的挑战是：基于估计的效应，你应该做什么决策？比如你估计出不同人群对某种干预的反应不同，那么你应该把有限的资源分配给哪些人群？这就是政策学习要解决的问题。书中第5章把政策学习形式化为一个经验福利最大化问题：你需要找到一个决策规则π(x)，使得在所有样本上应用这个规则的平均福利最大化。
政策学习的核心困难在于“反事实评估”：你只能观测到实际执行的政策的结果，无法观测到如果执行另一个政策会怎样。书中第5.1节介绍了政策评估的方法，通过逆倾向加权或双重稳健估计来评估一个候选政策的福利。第5.2节则介绍了经验福利最大化的算法：把政策学习转化为一个分类问题，通过最小化一个“政策遗憾”的代理损失函数来找到最优政策。这个代理损失函数的构造与CATE估计中的R-loss类似，都是利用倾向得分来构造一个可观测的替代目标。
5.2 自适应实验：在收集数据的同时做决策
传统的随机对照试验是“固定设计”的：你先确定样本量，然后收集数据，最后分析。但很多场景下，你需要在实验过程中动态调整处理分配——比如多臂老虎机问题。书中第6章介绍了自适应实验的设计和分析方法。自适应实验的核心挑战是：数据收集过程本身依赖于之前收集的数据，这破坏了传统统计推断的独立性假设。如果你用标准的t检验来分析自适应实验的数据，第一类错误率会失控。
书中第6.1节介绍了低遗憾数据收集策略，如Thompson采样和UCB算法。这些策略在探索（尝试不同的处理以获取信息）和利用（选择当前看起来最好的处理）之间做权衡。第6.2节则介绍了自适应数据收集后的推断方法。关键思想是：你需要构造一个“始终有效”的置信序列，而不是传统的固定样本量置信区间。置信序列在任意停止时间都保持有效性，从而允许你在实验过程中随时查看结果并决定是否停止。这个性质对于自适应实验至关重要，因为它允许你在不破坏统计有效性的前提下进行序贯决策。
5.3 自适应实验的推断陷阱
自适应实验最容易踩的坑是“偷看数据”。如果你在实验过程中反复查看p值，并在p值小于0.05时停止实验，那么第一类错误率会远高于5%。这是因为你给了自己多次“碰运气”的机会。书中建议的做法是：要么使用置信序列来构造始终有效的推断，要么使用alpha-spending函数来分配第一类错误预算。另一个坑是“忽略自适应分配对推断的影响”。在自适应实验中，处理分配概率依赖于历史数据，这导致不同样本之间不再独立。标准的方差估计量在这种情况下是有偏的，需要使用专门为自适应实验设计的方差估计量。
6. 避坑指南：因果推断实践中的五个血泪教训
6.1 混淆变量没控制住，一切白搭
现象：你做了一个观察性研究，发现处理组和对照组的结果差异显著，但审稿人指出你遗漏了一个关键混淆变量。
原因：无混淆性假设是观察性因果推断的基石。如果存在未观测的混淆变量，那么无论你用多复杂的估计量，结果都是有偏的。这个假设本身不可检验，所以你必须用领域知识来论证它的合理性。
解决：在研究设计阶段就尽可能多地收集协变量，并在论文中明确讨论未观测混淆变量的可能影响。如果可能，使用工具变量或断点回归等不需要无混淆性假设的方法。
6.2 倾向得分模型设定错误，逆倾向加权反而放大偏差
现象：你用逻辑回归估计倾向得分，然后做逆倾向加权，结果估计量比差分均值还要离谱。
原因：逆倾向加权对倾向得分模型的设定非常敏感。如果倾向得分模型遗漏了重要的非线性项或交互项，那么估计出的倾向得分就会有系统偏差。更糟糕的是，逆倾向加权会给倾向得分接近0或1的样本赋予极大的权重，这些样本的微小误差会被放大。
解决：使用双重稳健估计量，它在你倾向得分模型错误时仍然一致（只要结果回归模型正确）。同时，检查倾向得分的分布，如果有很多样本的倾向得分接近0或1，考虑使用修剪（trimming）或重叠权重（overlap weights）。
6.3 交叉拟合没做，双重机器学习变成了双重过拟合
现象：你用随机森林估计倾向得分和结果回归，然后直接代入双重机器学习的公式，结果估计量的偏差比预期大很多。
原因：如果没有交叉拟合，模型在训练集上的过拟合会导致倾向得分估计在训练样本上过于极端，结果回归的残差也会偏小。这破坏了双重机器学习估计量的渐近性质。
解决：始终使用交叉拟合。把数据分成至少5折，用其他折的数据训练模型，用当前折的数据做预测。这样得到的倾向得分和结果回归预测是“样本外”的，避免了过拟合带来的偏差。
6.4 异质性估计过拟合，发现了不存在的“亚组效应”
现象：你用因果森林估计CATE，发现某个亚组的处理效应特别大，但用独立数据验证时这个效应消失了。
原因：CATE估计本质上是一个高维回归问题。如果你用灵活的模型和大量的协变量，模型很容易捕捉到噪声而不是真实的异质性。特别是当样本量不够大时，过拟合几乎不可避免。
解决：使用交叉验证来选择模型的复杂度，或者使用因果森林的“诚实估计”（honest estimation）方法，把数据分成两半，一半用于确定树的结构，另一半用于估计叶节点的CATE。另外，对发现的亚组效应进行多重检验校正。
6.5 自适应实验用固定样本推断，第一类错误率失控
现象：你在自适应实验中每隔一段时间查看一次结果，当p值小于0.05时停止实验并报告显著。结果发现假阳性率远高于5%。
原因：固定样本的推断方法假设你只查看一次数据。如果你反复查看，每次查看都是一次独立的检验，多次检验会累积第一类错误率。
解决：使用置信序列或alpha-spending方法。置信序列在任意停止时间都保持有效性，允许你随时查看数据。alpha-spending方法则预先分配第一类错误预算，确保在整个实验过程中的总体第一类错误率不超过预设水平。
7. 设计取舍：因果推断的“不可能三角”与你的选择
因果推断的方法选择本质上是在三个维度之间做取舍：偏差、方差和计算复杂度。差分均值估计量偏差最小（在随机化条件下无偏），但方差可能很大；回归调整可以缩减方差，但引入了模型设定偏差的风险；双重稳健估计量在模型正确时偏差和方差都较小，但计算复杂度更高，且需要交叉拟合来避免过拟合。这个“不可能三角”没有 universally optimal 的解法，选择取决于你的具体场景和假设强度。
我一般会这么理解：如果你能做随机实验，优先做随机实验，然后用回归调整来缩减方差。如果你只能做观察性研究，先问自己无混淆性假设是否合理——如果不合理，考虑工具变量或断点回归。如果无混淆性假设合理，用双重机器学习作为默认方法，因为它同时具备一致性和渐近有效性。如果你关心异质性处理效应，用因果森林或R-loss方法，但一定要做交叉验证和诚实估计。如果你在做自适应实验，从一开始就设计好推断策略，不要等到实验结束才想怎么分析。
验证方法上，我习惯做三件事：第一，用模拟数据验证估计量的无偏性——生成已知处理效应的合成数据，看估计量是否围绕真值波动；第二，用安慰剂检验验证无混淆性——用一个理论上不应该有处理效应的结果变量做分析，如果发现“显著效应”，说明存在未控制的混淆；第三，用敏感性分析评估未观测混淆变量的影响——计算如果存在一个未观测混淆变量，它需要多强才能推翻你的结论。
这本书最值得深挖的地方在于它把统计学习方法和因果推断框架做了系统性的融合。传统的因果推断教材往往停留在线性模型和参数方法，而这本书从双重机器学习到因果森林，从政策学习到自适应实验，覆盖了现代机器学习工具在因果推断中的最新应用。每一章都配有习题和文献注记，适合作为研究生教材或自学参考。如果你已经会用Python或R做数据分析，但想搞懂“为什么随机化能识别因果效应”“双重稳健为什么稳健”“异质性估计为什么容易过拟合”这些底层问题，这本书的推导和例子能给你扎实的答案。
从那以后我每次做因果推断分析，都强制走一遍“假设检查→模型选择→交叉拟合→敏感性分析”的流程，不再跳过任何一个环节。希望帮到你。
本文还有配套的精品资源，点击获取
