用户增长因果推断概念

概念和区别

• 相关性（correlation）：两变量在表现上呈现一定的关系，如：夏天用电量很高，夏天冰激凌卖的很好，用电量 和 冰激凌的销量呈现相关性，但没有因果关系
• 因果性（causality）：两变量存在原因和结果的关系，如：夏天温度上升导致冰激凌卖的很好，这是因果性

因果性模型

• 因果关系挖掘（causal discovery）：研究变量间是否存在因果性，以及谁是因谁是果
• 因果推断（causal inference）：定量地研究原因与结果的变化关系

目标

对于因果推断，我们的目标是根据观察数据估计干预效果。

应用领域

• 广告：广告投放效果，营销预估
• 推荐：将一个商品推荐给一个用户的过程是一种干预
• 医疗治疗：A/B治疗和因果推断，本身是一个较成熟的领域
• 强化学习：强化学习中的action可以看作因果模型的干预，reward可以看做潜在结果[Eligibility traces for off-policy policy evaluation]

因果推断的基本概念

核心思想是比较同一研究对象在接受干预和不接受干预时的结果差异，认为这一差异就是干预的效果

基础概念

• Unit（个体）：被干预的基础对象
• Treatment（干预）：附加在个体上的操作，