学界和业界的因果推断有何不同？

在数据科学领域，因果推断的应用一直是学界和业界关注的焦点。近期，我发现一篇剖析学术与工业场景下因果推断异同的博客 ——[How is Causal Inference Different in Academia and Industry?]。为了让更多读者深入了解，我将对其进行翻译分享，希望能给大家带来启发与思考 。

不同点

学术研究和业界应用在性质与目的上有着显著差异，这也导致二者因果推断工作流程截然不同。

速度

学术研究从构思到得出结论，节奏往往偏慢。研究人员不仅关注因果结论本身是否可靠，对研究涉及的数据、采用的方法，以及研究的稳健性也十分在意。为了验证数据的适用性，开展敏感性分析，测试因果结构，整个研究周期通常会拉长。

对企业而言，时间就是金钱，科技公司尤为务实。他们更愿意把资源集中在开发可扩展的应用程序上，这些程序能迅速投入生产，带来收益。等待一个完美且通用的模型，成本过高。所以，业界更倾向于先搭建一个基准模型，之后再进行微调与优化。

方法

学术研究无疑是理论研究人员获取新方法和新机制的源头。不过，从事观察性研究或实验的实证研究人员，通常会采用标准且成熟的方法，如双重差分法（DID）、工具变量法（IV）、**倾向得分匹配法（PSM）**等。使用这些得到广泛认可的方法，能降低他人对研究结论的质疑。

业界对前沿技术向来持开放态度，带有热门术语的技术更容易被接受。一个效果良好，又融入最新热门概念的模型，很容易吸引利益相关者的目光。当然，搭建起商业影响和技术术语之间的沟通桥梁，同样至关重要。

反馈循环

研究人员取得初步成果后，会通过参加会议等活动分享成果，收集反馈。发表研究论文更是需要依据专家和编辑的反馈，反复进行修改。

科技公司一旦拥有性能良好的因果模型，就会将其应用到商业决策中。反馈主要来自客户对模型的实时反应，或者特定时段的关键绩效指标（KPI）。比如，一家公司发现某产品具有价格弹性，便决定降价以提升利润。要是降价后，公司利润不升反降，那就必须重新审视模型。

平均处理效应（ATE）与个体处理效应（ITE）

在学术界，通常评估某一总体或子总体的平均处理效应（ATE）。这既与学术研究的目的有关，也受数据可用性的限制。一方面，学术研究旨在为制定一般性政策提供依据，或者推导出具有普适性、值得信赖的理论；另一方面，研究人员常基于宏观层面的数据展开分析，如国家人口信息、种族收入水平、学校考试成绩等。

与之相反，业界的因果应用更侧重于个体层面的决策，因此**个体处理效应（ITE）**更为关键。例如，向某位客户发送促销邮件，客户会下单购买，还是维持现有订阅？个体层面的因果关系对企业意义重大，因为针对客户定制商业决策的成本较低，却能大幅提升利润。而且，业界拥有丰富的客户交易数据，便于在更精细的层面做出决策。

模型效率

业界应用有时需要投入生产，以实现实时商业决策。例如，当客户点击“取消订阅”时，模型需立刻决定是否提供折扣，以及折扣的幅度。因此，将因果引擎融入商业决策时，必须考虑模型的运行时间和可扩展性，而这在学术研究中关注度相对较低。

结尾

学术研究似乎永无止境。即便论文发表后，也常基于不同群体或时间段对因果关系进行测试，衍生出一系列研究。毕竟研究的本质是拓展知识边界，过程中获取的任何知识都有价值。

而业界应用更关注关键绩效指标（KPI）的提升。如果一个预测客户行为的模型能提高客户留存率和利润，就会被推广并持续维护。

相同点

尽管存在差异，学术研究和业界应用在很多方面也有共通之处。

假设

现实世界并非完美，因此学术研究和业界应用通常从假设起步。例如，假设变量X和Y呈线性关系，未观测到的混杂因素U可以用变量W替代，或者在特定因果结构下，变量Z是理想的工具变量等。研究和应用过程中，需要对这些假设进行验证，判断其合理性，以及是否会对结论造成影响。

专家意见

无论是学术研究还是业界应用，制定因果结构时都离不开专家的参与。领域知识在识别混杂因素、中介变量、替代未观测混杂因素的变量，以及工具变量等方面，发挥着重要作用。不了解背后的机制，就无法绘制因果图。

透明度

在因果关系的应用上，学术研究和业界应用都重视透明度。正如珀尔在《为什么之书》最后一章提到的，很多算法虽能有效解决问题，但将因果关系融入系统，能让我们更深入地理解其原理。就像有人所说：“……我总是试图弄清楚‘为什么会发生这种情况？’或者‘为什么我们的用户会有这样的行为’，以便根据用户需求和我们的价值主张，为不同用户群体提供相应解决方案……”理解“为什么”，不仅对商业决策至关重要，对于理解世界运行规律和机制实施，也有着深远意义。

尽管学术研究和业界应用因数据可用性和分析目的不同存在差异，但最终二者会通过相互借鉴、汲取灵感，实现共同发展。