28、因果推断与机器学习：从深度学习、自然语言处理到更多领域

因果推断与机器学习：从深度学习、自然语言处理到更多领域

1. 因果推断与分析挑战

在因果推断的研究中，我们通过分析发现，若模型设定正确，有令人信服的证据表明埃隆·马斯克的推文增加了推特在谷歌上的搜索量。不过，在得出结论前，我们需要探讨一些分析中面临的挑战。

1.1 捐赠池大小问题

分析中使用的捐赠池规模较小，这可能是 $R^2$ 值较低的原因。一般来说，许多从业者建议捐赠池中的变量数量至少在 5 到 25 个之间。但较小的捐赠池规模也有一定优势，比如能确保不会出现过拟合问题，而较大的捐赠池规模可能会导致过拟合。

1.2 因果关系的复杂性

我们假设马斯克的推文导致了推特搜索量的增加，但可能还有其他因素在起作用，例如关于推特收购的媒体报道。这里可能存在混杂因素，推特收购本身可能既引发了马斯克的推文，又增加了人们对该平台信息的兴趣。仅依据数据无法排除这种可能性，而且通常很难完全排除。这表明准实验方法并不能自动保证因果可识别性，在使用这些方法时，我们应像对待其他因果方法一样，考虑所有可用数据。

1.3 准实验分析的步骤

在进行准实验分析时，考虑描述问题的有向无环图（DAG）、理解变量之间的结构关系以及调查潜在的混杂因素是很好的第一步。

2. 本章内容回顾

本章涵盖了多个重要方面的内容：
- 模型回顾与实现 ：我们重新审视了 S - 学习器和 T - 学习器模型，并展示了灵活的深度学习架构如何结合这两种模型的优势。我们实现了 TARNet 和 SNet，并学习了如何使用基于 PyTorch 的 CATENet