文献信息
- 标题: Behavioural Causal Inference
- 作者: Ran Spiegler (Tel Aviv University and UCL)
- 类型: 论文笔记
- 出版年份: 2026
- 出版机构/期刊: Review of Economic Studies (RES)
- DOI: 10.1093/restud/rdaf050
- 难度评估: 高 - 需要因果推断、博弈论基础
1. 引言（背景和意义）
领域基础知识
因果推断（Causal Inference）：从观察数据推断变量间的因果关系。
控制变量（Control Variables）：控制潜在混杂因素的方法。不当控制导致错误因果推断。
行为因果推断：非专业决策者使用直觉性方法进行因果推断。
研究背景
- 专业研究者vs非专业决策者的差异
- 非专业决策者与经济系统互动——行为影响数据本身
- 不当控制的两种形式：控制不足、控制过度
作者的问题意识
当数据生成过程与均衡行为一致时，因果推断错误的福利损失界限是多少？
2. 内容及结构
- 第一节：引言
- 第二节：模型
- 第三节：同质偏好分析
- 第四节：异质偏好分析
- 第五节：非零因果效应扩展
- 第六节：与早期框架的联系
3. 正文（逻辑梳理）
核心洞察
均衡条件可以限制因果推断错误——当决策者根据错误推断行动时，他们改变了产生这些错误的数据。
关键二元关系P
iPj当Di ⊇ Cj——类型i控制/调整的变量集是类型j条件化变量集的超集。
主要结果
- 当类型有序时：均衡消除福利损失
- 当类型无序时：上界为1（与无均衡限制相同）
4. 结论
数据类型结构决定均衡对因果推断错误的保护程度。
5. 未来研究方向
非零因果效应扩展、信息设计视角、实验验证。
6. 学术思考
均衡作为自我纠正机制；控制变量选择作为类型特征。
