核心要点
相关≠因果：相关可能源于混淆变量、反向因果或选择偏差，不代表干预会改变结果。
金标准是随机对照实验（A/B 测试），随机分组消除混淆。
观测数据下用倾向得分匹配、双重差分（DiD）、工具变量（IV）等估计因果效应。
用因果图（DAG）刻画变量关系，识别需要控制/不可控制的变量。
标准回答
相关与因果的区别
相关性只描述两个变量一起变化，可能由混淆变量、反向因果或选择偏差造成；因果关系回答「干预 X 是否会改变 Y」这一反事实问题。看到相关不能推出干预有效。
金标准：随机实验
随机对照实验（线上即 A/B 测试）把个体随机分到处理组与对照组，使两组在其他因素上同分布，从而把组间差异归因于干预，是估计因果效应最可靠的方式。
观测数据下的常用方法
- 倾向得分匹配：用协变量估计接受处理的倾向，匹配相似个体以平衡混淆。
- 双重差分（DiD）：比较处理组与对照组在干预前后的变化之差，抵消固定差异。
- 工具变量（IV）：借助只通过处理影响结果的外生变量，剥离混淆。
- 因果图（DAG）：明确变量因果结构，识别该控制哪些变量、避免控制中介或对撞变量。
这些方法都需要可识别性假设（如无未观测混淆）才能成立。
常见误区
⚠️ 常见踩坑
不要「控制越多变量越好」：控制中介变量会吸收掉部分因果效应，控制对撞变量（collider）反而会引入虚假关联，需要先用因果图判断该调整哪些变量。
追问
追问 1：双重差分（DiD）成立的关键假设是什么？
平行趋势假设：在没有干预的反事实世界里，处理组与对照组的结果会沿相同趋势变化。只有该假设成立，干预后两组变化之差才能归因于干预。常通过观察干预前多期趋势是否平行来做佐证。
追问 2：什么时候用工具变量而不是倾向得分匹配？
当存在无法观测的混淆变量时，倾向得分匹配只能平衡可观测协变量，依然有偏。此时若能找到一个只通过处理影响结果、且与未观测混淆无关的工具变量，就能用 IV 剥离混淆、估计因果效应；代价是合格的工具变量很难找。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。