学术讲座# 中国人民大学经济学院江艇：因果推断Ⅰ

因果推断

• 因果识别+统计推断
• 因果识别（causal identification）：如果拥有总体，能否确定总体因果关系
• 统计推断（statistical inference）：如何从样本数据获取总体因果关系信息，实际是一种相关性事实
• 识别假设，实际就是对 $D$ 和 $\epsilon$ 的关系作出表述，但这种过程是无法从理论上验证的

1

• 1.1 因果效应的定义：干预与否、处理与否时，潜在结果之间的差值。潜在结果一定是同一个时间点上的结果
• 1.2 潜在结果永远无法完全观测，除非存在平行宇宙
• 1.3 通过识别假设可以进行“插值”，可以化“相关关系”识别场景为“因果关系”识别场景
• 1.4 鲁宾因果模型（潜在因果框架），一套描述因果关系的新语言

2

• 2.1 第一类识别假设：潜在结果均值独立于处理状态
• 2.2 从干扰项中剥离出控制变量；或者寻找一个与干扰项不相关的工具变量
• 2.3 第二类识别假设：潜在结果条件均值独立于处理状态
• 2.4 好的控制变量：既影响$Y$，又影响$D$。其本身和干扰项是否相关是不重要的，不是研究者关注的中心
• 2.5 一个好的因果推断研究往往只关注一个影响因素
• 2.6 无需过渡阐释控制变量的系数

3

• 3.1 鲁宾因果模型并未规定具体的函数形式
• 3.2 但我们通常不用鲁宾因果模型语言设定假设

4

• 4.1 选择性又称之为分配机制，每个个体如何接受处理，可以用倾向得分来表示
• 4.2 建议现实使用IV、DID、RDD等识别方法时，称之为准实验