原文：
towardsdatascience.com/how-is-causal-inference-different-in-academia-and-industry-fb5afd12e2e7
由 Element5 Digital 在 Unsplash 拍摄的照片
在两个月内，我们读完了《为什么这本书》，这本书让我们窥见了因果关系的迷人世界。正如承诺的那样，我有一篇额外文章来正式结束我的第一篇“与我共读”系列。
受到我自己的背景的启发，作为一名在博士期间研究因果推断的经济学学术研究者，以及我在行业作为数据科学家构建因果模型进行需求预测的经验，为了这篇额外文章，我想分享我对因果推断概念的理解，以及它在学术和行业环境中应用的相似之处和不同之处。
差异
由于学术研究和行业应用在性质和目的上的差异，两者之间的因果推理工作流程相当不同。
速度
学术研究通常以较慢的速度进行，从形成想法到得出最终结论。它不仅关注因果结论本身，还关注涉及的数据、使用的方法和研究结果的稳健性。因此，研究过程往往需要延长以验证数据的有效性、进行敏感性分析、测试因果关系结构等。
然而，对于商业来说，时间就是金钱。科技公司更注重实际。他们更愿意将资源集中在构建可扩展的应用程序上，这些应用程序可以快速投入生产并带来效益。等待一个完美且可推广的模型成本很高。因此，行业更愿意首先拥有一个基准模型作为占位符，然后再进行微调和调整。
由 Veri Ivanova 在 Unsplash 拍摄的照片
方法
事实上，学术研究是理论研究者获取新方法和机制的新来源。然而，专注于观察性研究或实验的经验研究者往往使用标准且已建立的方法。例如，双重差分法 (DID)、工具变量法 (IV)、倾向得分匹配 (PSM) 等。使用这些广泛认可的方法将减少对结论的疑问和怀疑。
行业总是对尖端技术持开放态度。这里更接受带有热门词汇的模型。一个表现良好且涉及最新和最热门概念的模型会吸引利益相关者的注意，尽管建立商业影响和技术术语之间的桥梁也非常重要。
反馈循环
当研究人员有一些初步结果时，他们会参加会议或其他活动，以网络他们的发现并收集反馈。发表研究论文涉及根据专家和编辑的反馈进行大量迭代。
当科技公司拥有表现良好的因果模型时，它们会将此应用投入业务决策中。他们的反馈来自模型或特定时间段的 实时 客户反应或 KPIs。例如，一家公司发现一个产品价格弹性高，决定降价以增加利润。如果后来发现降价后公司的利润实际上下降了，那么他们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，通常需要评估一个群体或亚群体的 ATE。这是学术研究的目的以及数据可用性的限制的结果。
一方面，学术研究旨在为政策制定提供信息或推导出可推广和可信的理论。另一方面，研究人员通常被迫对更宏观层面的数据进行分析——一个国家的 demographics 信息、一个种族的收入水平、一所学校的考试成绩等。
相反，工业因果应用更关注个体层面的决策。因此，ITE 更重要。例如，如果我向这位客户发送一封电子邮件促销，他或她会购买产品还是继续当前的订阅？
对他们来说，个体层面的因果性更有意义，因为调整客户层面的商业决策的成本极低，但利润的增益却很大。此外，行业拥有每个客户在每个交易中的大量数据，可以用于更细粒度的决策。
如果你想了解 ATE 和 ITE 在定义和数学术语上的区别，请查看这篇文章：
模型效率
工业应用有时需要投入生产以做出实时商业决策。例如，当客户点击“取消订阅”时，模型需要立即决定是否提供折扣，以及如果是的话，折扣是多少。
因此，在将因果引擎嵌入商业决策时，我们需要考虑模型的运行时间和其可扩展性，这对于学术研究来说并不是一个主要问题。
结尾
学术研究似乎可以无限进行。即使研究论文已经发表，我们经常看到一篇论文通过在不同人群或时间段测试因果关系而变成一系列研究论文。研究是扩展知识前沿的过程，这样任何过程中的学习都能有意义。
Fab Lentz 在Unsplash上的照片
另一方面，工业应用侧重于关键 KPI 的改进。如果一个预测客户行为的提升模型提高了保留率和利润，那么该模型将被推出并维护。
相似之处
尽管存在差异，学术研究和工业界也有很多相似之处。
Mathilda Khoo 在Unsplash上的照片
假设
世界并不完美。因此，研究和工业应用都是从假设开始的。例如，变量 X 和 Y 之间的关系是线性的；未观察到的混杂因素 U 可以通过变量 W 来代理；在这个因果结构中，变量 Z 将是一个很好的工具变量等。
我们从一个假设的集合开始，验证每个假设是否合理，或者是否其中一个假设导致了结论中的问题。
专家意见
研究和工业应用都需要专家意见来制定因果结构。领域知识对于识别混杂因素、中介变量、未观察混杂因素的代理变量、工具变量等非常重要。
没有理解潜在机制，就无法绘制因果图，并且希望在这两个月阅读系列结束后，你会理解因果图的重要性。
透明度
研究和工业应用在包含因果关系时都拥抱透明度。正如佩尔在《为什么的书》最后一章中提到的，有许多算法在解决问题时表现良好，但将因果关系嵌入到系统中则为我们提供了透明度。正如@黄胖在本阅读系列的第一篇文章的评论中说的：
“……我总是试图找出‘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？’，这样我才能根据他们的需求和我们的价值主张为不同的用户群体提供治疗方案……”
理解原因在商业决策中非常强大，不仅在于理解世界是如何运作的，以及机制是如何实施的。
尽管由于数据可用性和分析目的的不同存在差异，但最终，学术研究和工业应用通过相互汲取灵感而同时进步，正如我在以下文章中展示的那样：
经过 12 周的努力，我们终于完成了第一个“跟我一起读”系列，阅读了朱迪亚·佩尔的杰作“为什么的书”。我收到了许多反馈，并真正享受了这次阅读之旅。尽管按时更新是一个压力很大的过程，但通过为章节编写总结来强制输出帮助我完成学习周期，并推动我全面理解这些概念。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/cc6066eee102bcb013b1d7a91555e332.pnghttps://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/966c84adf3aeffdcb4b5d41c4a795106.png
作者图片
感谢大家订阅我的电子邮件列表加入并提供有意义的反馈。我希望这对你来说也是一个有益的旅程，无论你是和我一起读书，还是通过我的文章总结学习因果关系。如果你有其他想和一群数据爱好者一起阅读的书，并希望获得集体学习经验，请告诉我！
如果你喜欢这篇文章，别忘了：
-
查看我关于数据故事讲述中的 4Ds：将科学变成艺术的最近文章；数据科学中的持续学习；我是如何成为数据科学家的；
-
或在YouTube上关注我，观看我最新的 YouTube 视频：
扫一扫
3981
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
