作者 | 陆春晖       

出品 | CSDN（ID：CSDNnews）

近些年来，随着机器学习和深度神经网络等人工智能技术的高速发展，人们对数据的理解和应用不再仅仅满足于拟合的准确性，而是开始探索数据内部更深层次的逻辑关系，从“是什么”到“为什么”，因果关系的研究逐步成为热点。2021 年的经济学诺贝尔奖就颁给了 Joshua D. Angrist 和 Guido W. Imbens，以表彰他们在因果关系分析方法上的贡献。

对因果关系的研究可以上溯到古希腊时期，亚里士多德提出四因说，开启了对因果的哲学性思考。英国哲学家大卫·休谟也曾对因果关系的普遍性和必然性进行反思。20 世纪初，美国数学家 Jerzy Neyman 提出了用于因果推断的“潜在结果”（potential outcomes）数学模型，因果推断正式从哲学思考变成数学问题。在此基础上，统计学家 Donald Rubin 和“贝叶斯网络之父” Judea Pearl，分别创建了鲁宾因果模型 Rubin Causal Model (RCM) 和结构因果模型 Structural Causal Model（SCM），成为现代因果推断理论研究的两大基本理论框架。

因果推断（Causal inference）又称因果推理，研究如何更加科学地研究变量间的因果关系。因果关系是一个事件（因）和第二个事件（果）之间的作用关系，属于相关关系的一种。但因果关系又不等同于相关关系，它还需要时间上的先后顺序和合理的机制等。相关关系有三种结构，可以用有向无环图表示，如图1所示，只有一种因果（Causation）结构产生的相关关系是因果关系，其他两种结构会使数据显现出统计相关性，但却不存在因果关系，被称为混淆结构（Counfounder）和对撞结构（Collider）。

图1 相关关系的几种结构

混淆结构（Counfounder）是指存在变量X，同时影响自变量 T 和因变量 Y，并且能使T和Y之间产生虚假的相关关系。例如巧克力销售量高的国家诺贝尔奖获得者的数量也多，二者之间存在相关性，但巧克力销售量高并不是诺贝尔奖获得者多的原因，它们之间的相关性是由国家的经济教育水平关联的，是伪相关，国家的经济教育水平就是混淆结构中的混淆变量X。

对撞结构（Collider）是指存在变量X，同时受自变量T和因变量Y影响，受到控制的情况下会使自变量和因变量之间产生虚假的相关关系。例如二次世界大战中，幸存返航的飞机中机翼是被击中最多的位置,机尾是被击中最少的位置，但是为了提高飞机的幸存率，应该加强对机尾的防护，因为机尾击中多的飞机都没能返航。是否能返航是弹痕数量多和加强防护两个变量间的对撞变量X。

因此在进行因果推断时，需要从相关关系中排除混淆结构的干扰（只要不对对撞变量进行控制，对撞结构就不会影响因果结构）。

最有效的方法是进行随机对照试验（randomized controlled trial, RCT），也就是让干预变量T进行随机化分配，这样就相当于取消了因果图上干预变量的父节点，混淆变量X不再产生作用。但是在现实世界中，随机对照实验往往成本昂贵，有些时候也会受到社会伦理的约束（药物试验等），因此实际上通常基于观测数据进行因果推断的相关研究。

图2 随机对照实验下的混淆结构

由于观测数据中的混淆变量不容易识别，因果推断目前为止仍然是一个具有挑战性的领域。本文以2022 WAIC 黑客松九章云极赛道-因果学习和决策优化挑战赛数据集为例，基于华为诺亚实验室的gcastle开源项目和九章云极DataCanvas公司YLearn开源项目，尝试对因果推断类问题的整体建模流程进行探索和实践，希望能对同行有所启示。

数据准备

比赛以“如何优化干预方案能使因果效应最大”为主题，考察参赛者在基于因果推断策略制定问题上的估计能力。比赛准备了两份生成数据，训练集数据train.csv和测试集数据test.csv，数据的生成过程遵从如下因果图。

图3 比赛数据生成因果图

其中，X为treatment, 干预方案列，是一个拥有3个值的离散变量。treatment=0视为未施加干预，treatment=1, 2分别视为施加了干预方案1和干预方案2；Y 为 outcome，结果列，是一个连续型变量；其余字母代表了数据集中的其他变量或变量集合，名为‘V_0’, ‘V_1’等的特征列，离散和连续特征均有，但不对选手公布。

测试集数据test.csv 只包含‘V_0’等特征列变量，移除了‘treatment’ 和 ‘outcome’两列。

训练集和测试集的数据样例如图4所示，除去‘treatment’ 和 ‘outcome’,共有40列特征变量，其中有10列离散变量，30列连续变量，有两列特征变量数据值略有缺失，缺失率不超过0.1%。

图4 数据集样例

比赛需要估计训练集和测试集中每个样本在干预方案1和干预方案2下的因果效应，评估指标是干预方案1的因果效应与真实因果效应之间的normalized RMSE (NRMSE)，加上干预方案2的因果效应与真实因果效应之间NRMSE，NRMSE越小说明预测结果越准确。

图5 因果效应评估指标NRMSE

并且比赛数据的生成满足三项基本假设：没有未观测到的混淆变量confounder；SUTVA 即每个个体的outcome不被其他个体的treatment影响；每个个体采取每个treatment的概率都不为0或1。

建模思路

在进行建模时首先要清楚目标，本题是要基于给定的观测数据集，估计数据集中每个样本在不同干预方案下的因果效应，这是因果推断领域中的一个研究方向，叫做因果效应估计（Causal Effect Estimation）。

因果效应估计旨在研究原因变量对结果变量的影响程度，例如某种药物对病人的治疗效果如何，目标是在因果结构模型基础上输出对原因变量增量的预测，包括对个体效应的预测ITE (Individual treatment effect)和对群体效应的预测ATE(average treatment effect)等。因果效应估计算法根据是否观测到全部混淆变量分为了两类，前者假设不存在未被观测到的混淆变量，以uplift Modals方法为代表，需要调整混淆变量带来的各种分布不平衡。后者假设存在未被观测到混淆变量，以工具变量法为代表，需要模仿随机试验规避混淆变量的影响。

比赛要求估计单个样本在干预方案1和干预方案2下的因果效应，也就是要实现个体效应的预测ITE (Individual treatment effect)。由于满足没有未观测到的混淆变量confounder的假设，可以考虑使用uplift Modals 方法。

Uplift Modals也叫增益模型，与传统机器学习模型的区别在于它是针对预测Y接受T后的增量uplift进行预测，而不是对Y本身进行预测。结合本次比赛题目背景就是相对于不采用任何干预，预测采用干预方案1的提升，以及采用干预方案2的提升。Uplift Modals有多种建模方式，本文尝试使用九章云极DataCanvas公司YLearn开源项目中实现了的元学习算法（Meta-learning methods）和双重机器学习（Double Machine Learning）算法进行建模。

比赛同时给出了训练集和测试集生成数据的因果图，可以发现数据集中包含有几种不同类型的变量：与其他变量都没有关系的噪声变量A、混淆变量W、对撞变量C以及混淆变量W的衍生变量Q。这几种变量，除了混淆变量W在进行因果效应评估时要进行控制，其他几种变量都不应该受到控制，否则会影响因果效应评估的结果。因此需要将数据集中的混淆变量W与其他类型的变量区分开来，混淆变量W识别的越准确，因果效应评估的结果越好。对于混淆变量W的识别可以抽象为对因果关系结构的挖掘，这里就涉及到因果推断的另一个研究领域，叫做因果发现（Causal Discovery）。

因果发现旨在挖掘变量之间的因果关系，揭示现象背后的深层原因，例如吸烟是否致癌，目标是建立用于描述变量间因果关系的结构模型，一般用因果图或者结构方程表示。相关算法分为两大类，一类基于组合优化，适用于变量数较少的情况，以PC算法为代表，利用数据中的条件独立性来挖掘潜在的因果结构；另一类基于连续优化，适用于变量数较多，需要高效求解的情况，以NoTears算法为代表，设计了一种连续的针对无环的约束方案，替代传统的组合约束的方式，通过优化反复迭代后得到无环结果。

因此，可以使用因果发现的算法来挖掘比赛数据中的因果关系结构，识别出混淆变量W。由于数据变量维数比较多，PC算法运行效率不高，考虑使用NoTears算法。华为诺亚实验室的gcastle开源项目中实现了NoTears算法，本文使用其进行比赛数据的因果结构发现。

结论和展望

本文将比赛数据train.csv划分为训练集（30000）和测试集（6188）两部分，在训练集上进行训练，再在测试集上进行验证。

首先不进行因果结构发现，直接用YLearn开源项目的uplift modal的元学习算法和双重机器学习算法，基于40列特征变量进行预测，默认全部特征变量均为混淆变量W，结果如表1所示，可以观察到此时XLearner算法的评估效果最好。

表1直接进行因果评估的结果

接下来先进行因果结构发现，使用gcastle开源项目的NoTears算法进行因果发现的结果如图6所示，可以清楚的发现名称为V_17、V_20、V_27、V_38的特征（图中标号为17、20、27、38），明显属于噪声变量A，可以将其去除。

图6 因果发现的关系结构图

去除噪音变量后进行因果效果评估的结果如表2所示，可以看出各种算法，除了SLearner之外，评估的效果均有明显的提升。

表2去除噪音变量A后因果评估的结果

接下来进一步观察因果结构，从中筛选出衍生变量Q，衍生变量Q是指与混淆向量相关，但是与目标变量无关的变量，进行因果效应评估时不应该使用。图7展示跟目标变量outcome（图中标号41的节点）相关的变量，及这些变量的衍生变量Q，图中标号为[30、23、32、25、9、4、22、29、28、38]。

图7 衍生变量

经过试验，去除其中部分衍生变量[30、28、22]后，使用元学习算法的模型因果效应评估结果有了明显的提升，如表3所示。但是DML4CATE的模型效果反而有所下降，猜测没有调试到最优的模型参数。并且去除其他衍生变量对评估的结果并没有什么提升，猜测对衍生变量Q的识别还不够准确。

表3去除衍生变量Q后因果评估的结果

最后应该区分混淆变量W和对撞变量C。将跟目标变量（图中标号41的节点）和操作变量（图中标号40的节点）相关的节点筛选出来如图8所示，发现并没有变量符合混淆变量或者对撞变量的结构，与比赛题目不符，猜测使用的因果结构发现模型精确度还不够。

图8 未有效识别混淆变量和对撞变量

综上所述，因果推断类问题的主要解决思路是通过因果结构发现算法，识别出噪音变量、衍生变量、混淆变量和对撞变量，勾勒出整体的因果关系图，再用因果效果评估算法，只对混淆变量进行控制，预测操作变量对目标变量的影响程度。

这类问题的难点，一方面在于因果结构发现算法，是否能够准确的识别出混淆变量，另一方面在于因果评估算法，能否更有效的控制混淆变量，预测操作变量的影响效果。对研究者来说，具有双重的挑战性。

《2022-2023 中国开发者大调查》重磅启动，欢迎扫描下方二维码，参与问卷调研，更有 iPad 等精美大礼等你拿！

☞抖音回应全国上线外卖：仍在试点中；微软发布 ChatGPT 版搜索引擎；中国计算机图形学巨匠齐东旭教授逝世|极客头条
☞国产类 ChatGPT 来了，百度确认将推出文心一言，计划三月面世！
☞大厂卷起！Google 发布 ChatGPT 竞品 Bard，微软：我明天有场神秘活动要开！