想象你是一家餐厅的主厨。你心里有个问题：如果这道菜不放糖，顾客还会不会点赞？这个问题没法让同一位顾客同时吃两盘菜，只能拿别的顾客来近似。反事实评估就是这样：从观测数据里回答“如果当时选了另一条路会怎样”。可秤会有误差：只尝了几桌客人的菜，配方拿到别的厨房可能不对，或者爱吃甜的人本来就更容易点这道菜。因果效应估计误差，就是这三股力量造成的读数偏差。我们需要学会看见误差，而不是把锅里的蒸气误当成菜香。

岗位关联

掌握误差的来源与度量，能帮助 AI 从业者判断模型得出的因果结论到底是稳定信号还是随机噪声，避免把噪声当真相，也更有底气在业务报告中给出可信区间。

目录
  1. 可视化演示
  2. 误差三来源
  3. 误差度量
  4. 样本量效应
  5. 模型误设风险
  6. 未观测混淆
  7. 诊断验证
  8. 缓解提升
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示因果效应估计误差的三个来源（样本方差/模型偏差/混淆偏差）、误差贡献度分解量化、以及不同估计器对各误差来源的控制策略，交互切换三种模式探索。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+CAPS.mode1+'

误差三来源

厨师想比较两版菜，但每次端给客人的天气、食材、心情都不一样。只看一桌客人，分不清到底是菜变好吃了，还是那天客人刚好看什么顺眼。因果效应估计误差同样有三个来源：样本有限造成的随机波动、模型误设造成的系统性偏差、未观测混淆把其他因素偷偷算在因果头上。

在反事实评估里，我们想估计的是真实因果效应 \(\tau\)，手上的估计值是 \(\hat\tau\)。两者的差，可以拆成随机部分和系统性部分：随机部分是同一道菜换一批食材也会出现的摆动，系统性部分是配方本身或隐藏条件造成的固定偏移。理解这个分解，才知道该换配方还是该多试几桌。

所以，看到估计误差时别只怪“数据不够”。如果是配方记错或隐藏口味在捣乱，哪怕试吃再多人，偏差也还在。

τ^−τ=(τ^−E[τ^])+(E[τ^]−τ)\displaystyle \hat\tau - \tau = \bigl(\hat\tau - \mathbb{E}[\hat\tau]\bigr) + \bigl(\mathbb{E}[\hat\tau] - \tau\bigr)
这个公式把一次估计误差拆成“随机波动”和“系统性偏倚”两笔账，前者靠增样本压缩，后者靠修模型或识别混淆变量。
  1. \(\hat\tau\) 的含义\(\hat\tau\) 是从观测数据里算出的因果效应估计，相当于厨房秤给出的读数。
    τ^\hat\tau
  2. \(\tau\) 的含义\(\tau\) 是真实因果效应，也就是顾客如果能同时吃两版菜才得到的差值。
    τ\tau
  3. 随机波动项\(\hat\tau - \mathbb{E}[\hat\tau]\) 表示估计值围绕自身平均水平的抖动，对应方差。
    τ^−E[τ^]\hat\tau - \mathbb{E}[\hat\tau]
  4. 系统性偏差项\(\mathbb{E}[\hat\tau] - \tau\) 表示平均估计与真实值之间稳定的偏离，对应偏差。
    E[τ^]−τ\mathbb{E}[\hat\tau] - \tau

误差度量

既然误差有两笔账，就该有一把能同时量两笔账的尺子。主厨不会只看一次顾客打分就改配方，而是会重复试做几次，看平均分和波动。因果评估里最常用的指标是均方误差：把所有重复实验里的“估计值减真值”的平方求平均。这样，系统性偏移和随机抖动都会被惩罚。

如果偏差大，说明估计长期偏离真相；如果方差大，说明换个样本结果就乱跳。均方误差把这两者整合成一个数字。除此之外，还会报告标准误和置信区间覆盖率。覆盖率是“重复估计时置信区间包含真实效应的比例”，它能把偏差和方差翻译成业务人员更容易懂的“可信程度”。

主厨知道，只看“平均分”会被几次特别甜的试吃掩盖；均方误差则强迫同时盯住“偏了多少”和“稳不稳”。

MSE⁡(τ^)=Bias⁡2(τ^)+Var⁡(τ^)\displaystyle \operatorname{MSE}(\hat\tau) = \operatorname{Bias}^2(\hat\tau) + \operatorname{Var}(\hat\tau)
  1. 均方误差\(\operatorname{MSE}(\hat\tau)\) 是估计值与真实值之间平均平方距离，即整体读数误差。
    MSE⁡(τ^)\operatorname{MSE}(\hat\tau)
  2. 偏差平方\(\operatorname{Bias}^2(\hat\tau)\) 把平均偏倚平方，避免正负相消，衡量系统偏移。
    Bias⁡2(τ^)\operatorname{Bias}^2(\hat\tau)
  3. 方差\(\operatorname{Var}(\hat\tau)\) 衡量估计值在多次重复中的离散程度，对应试吃结果的波动。
    Var⁡(τ^)\operatorname{Var}(\hat\tau)

样本量效应

试吃的人数从 5 人变成 50 人，平均分的波动通常明显变小。在因果估计里，样本量上升主要压缩的是第一个来源：抽样波动，也就是方差。只要估计量满足一致性，样本越大，估计值就越向真实效应收敛。

其中 \(\sigma^2\) 是结果变量在控制处理与协变量后残留的方差，\(n\) 是有效样本量。标准差大约等于 \(\sigma/\sqrt{n}\)，所以样本量翻四倍，标准误会减半。这也是为什么小样本因果研究容易把随机波动读成真实效应：此时估计量的“秤盘”太晃。

但样本量不是万能药。如果配方本身错了，或存在未观测的隐藏变量，再多人试吃也只是把同一个错误读数重复得更稳定。大样本只能治“抖动”，不能治“跑偏”。

所以做因果评估时要同时看样本预算和模型风险：预算可以压缩区间，但真正的系统性偏倚还得靠诊断和建模去抓。

Var⁡(τ^)≈σ2n\displaystyle \operatorname{Var}(\hat\tau) \approx \frac{\sigma^2}{n}
  1. 残留方差\(\sigma^2\) 表示即使知道处理状态，结果仍然无法解释的波动。
    σ2\sigma^2
  2. 样本量倒数\(\frac{1}{n}\) 表示随着样本增加，每个个体携带的噪声被平摊掉。
    1n\frac{1}{n}
  3. 方差近似式\(\operatorname{Var}(\hat\tau) \approx \frac{\sigma^2}{n}\) 说明方差随样本量线性缩小。
    Var⁡(τ^)≈σ2n\operatorname{Var}(\hat\tau) \approx \frac{\sigma^2}{n}

模型误设风险

如果主厨把“盐少许”记成“糖少许”，做过一万次也只会稳定地难吃。观测数据里的因果效应估计，通常依赖两类模型：倾向得分模型（预测一个人接受处理的概率）和结果模型（预测潜在结果）。只要其中任何一个的形态被记错，比如漏掉非线性项、错误假设线性关系，估计就会出现系统性偏差。

为了不被单份错误配方拖垮，可以使用双重稳健估计。它把结果模型和倾向得分模型放进同一个公式：先直接用结果模型预测个体效应，再用倾向得分对预测偏差做加权修正。只要两个模型里有一个正确，估计依然能保持一致。这相当于主厨同时背两份配方，一份记错时另一份还能兜底。

双重稳健的意义不是“模型全错也无所谓”，而是降低单点模型误设导致误差失控的风险。两个模型都错时，仍会产生偏差，所以后续诊断依然必要。

τ^DR=1n∑i=1n[μ^1(Xi)−μ^0(Xi)+Di(Yi−μ^1(Xi))e^(Xi)−(1−Di)(Yi−μ^0(Xi))1−e^(Xi)]\displaystyle \hat\tau_{\mathrm{DR}} = \frac{1}{n}\sum_{i=1}^n\Bigl[\hat\mu_1(X_i)-\hat\mu_0(X_i) + \frac{D_i\bigl(Y_i-\hat\mu_1(X_i)\bigr)}{\hat e(X_i)} - \frac{(1-D_i)\bigl(Y_i-\hat\mu_0(X_i)\bigr)}{1-\hat e(X_i)}\Bigr]
双重稳健估计像两条腿走路：结果模型负责基础预测，倾向得分负责修正样本偏差，至少一条腿不瘸，整体就不会摔倒。
  1. 结果模型基线\(\hat\mu_1(X_i)-\hat\mu_0(X_i)\) 用结果模型直接预测个体在处理与对照下的差异。
    μ^1(Xi)−μ^0(Xi)\hat\mu_1(X_i)-\hat\mu_0(X_i)
  2. 处理组修正项\(\frac{D_i(Y_i-\hat\mu_1(X_i))}{\hat e(X_i)}\) 用倾向得分给处理组预测残差加权。
    Di(Yi−μ^1(Xi))e^(Xi)\frac{D_i\bigl(Y_i-\hat\mu_1(X_i)\bigr)}{\hat e(X_i)}
  3. 对照组修正项\(\frac{(1-D_i)(Y_i-\hat\mu_0(X_i))}{1-\hat e(X_i)}\) 给对照组残差做同样的逆概率加权。
    (1−Di)(Yi−μ^0(Xi))1−e^(Xi)\frac{(1-D_i)\bigl(Y_i-\hat\mu_0(X_i)\bigr)}{1-\hat e(X_i)}
  4. 求平均\(\frac{1}{n}\sum_{i=1}^n\) 把所有个体贡献汇总为总体平均处理效应。
    1n∑i=1n\frac{1}{n}\sum_{i=1}^n

未观测混淆

有些影响顾客评价的因素，主厨根本看不见。比如顾客本来就偏爱甜口，所以他们更可能点甜味菜；这种隐藏偏好同时影响“选择吃什么”和“打几分”。在因果估计里，这种同时影响处理与结果、又没被数据记录下来的变量，就是未观测混淆。它的存在会让处理组和对照组从一开始就不可比。

假设未观测混淆变量为 \(U\)，它造成的偏倚大约可以写成它的来源关系。如果 \(U\) 与处理状态 \(D\) 纠缠得越深，偏倚就越大；如果处理状态的变动足够强、足够随机，偏倚会被稀释。

面对这类误差，不能假装它不存在。敏感性分析会问：“如果存在一个未观测变量，要达到什么强度才能推翻当前结论？”边界估计则用最坏情况给出效应的取值范围。两种方法都是把“看不见的锅”摆到桌面上讨论。

主厨无法看见每位顾客的隐藏口味，但可以主动问：如果真有这么一种口味，要强烈到什么程度才能让“菜变好吃了”这个结论翻盘？这就是敏感性分析的提问方式。

Biasconf≈Cov(U,D)Var(D)\displaystyle \mathrm{Bias}_{\mathrm{conf}} \approx \frac{\mathrm{Cov}(U, D)}{\mathrm{Var}(D)}
  1. 未观测混淆\(U\) 代表没被记录、却同时影响处理与结果的隐藏因素。
    UU
  2. 混淆与处理的关系\(\mathrm{Cov}(U, D)\) 表示隐藏变量与是否接受处理的相关程度。
    Cov(U,D)\mathrm{Cov}(U, D)
  3. 处理变动强度\(\mathrm{Var}(D)\) 表示处理状态的变异大小，变异越大越能冲淡隐藏关系。
    Var(D)\mathrm{Var}(D)
  4. 偏倚方向两者相除得到未观测混淆带来的近似偏倚大小。
    Cov(U,D)Var(D)\frac{\mathrm{Cov}(U, D)}{\mathrm{Var}(D)}

诊断验证

要判断厨房秤是不是坏了，有个笨办法：端一盘绝对没放调料的假菜出去，如果顾客还是评价它“变好吃了”，说明秤一定受了其他因素干扰。因果评估里的安慰剂检验就是这个思路：找一个理论上不应受处理影响的“假结果”，比如政策实施前的历史指标，如果估计结果显著偏离零，说明存在偏倚。

另一种常见诊断是置换检验。它反复随机打乱处理标签，构造一个“真实效应为零”的平行世界，然后看真实数据得到的估计值是否比这些随机世界的估计值更极端。如果真实估计在随机世界里经常出现，那它大概率只是噪声。

除了这些，协变量平衡检验也会检查处理组和对照组在已观测特征上是否像来自同一桌客人。诊断不是事后找补，而是主厨上菜前的试味环节。

p=1B∑b=1B1{∣τ^(b)∣≥∣τ^obs∣}\displaystyle p = \frac{1}{B}\sum_{b=1}^{B}\mathbf{1}\{\lvert \hat\tau^{(b)}\rvert \ge \lvert \hat\tau_{\mathrm{obs}}\rvert\}
  1. 置换次数\(B\) 是重新洗牌的次数，次数越多，模拟的噪声世界越完整。
    BB
  2. 随机世界估计\(\hat\tau^{(b)}\) 是第 \(b\) 次打乱标签后得到的估计值，它只含随机波动。
    τ^(b)\hat\tau^{(b)}
  3. 极端值计数\(\mathbf{1}\{ \lvert \hat\tau^{(b)}\rvert \ge \lvert \hat\tau_{\mathrm{obs}}\rvert \}\) 统计随机估计超过真实估计的次数。
    1{∣τ^(b)∣≥∣τ^obs∣}\mathbf{1}\{\lvert \hat\tau^{(b)}\rvert \ge \lvert \hat\tau_{\mathrm{obs}}\rvert\}
  4. 计算 p 值除以 \(B\) 得到随机世界出现更大估计的比例，比例越小说明越不像噪声。
    1B∑b=1B\frac{1}{B}\sum_{b=1}^{B}

缓解提升

知道误差还不够，还得想办法减小它。交叉拟合是控制模型误设的常用手段：把数据切成 \(K\) 份，每次用其中 \(K-1\) 份拟合模型，在剩下 1 份上计算因果估计，最后把 \(K\) 次结果平均。这样可以防止同一个数据既当“出题人”又当“考生”，避免把过拟合误当成真实因果效应。

每个 \(\hat\tau^{(k)}\) 都是在一份没有参与训练的“新客人”上得到的估计。配合重复估计，比如多次抽样或自助法，还能把估计的稳定性直接画成分布。实验设计层面，则要提前规划样本量、分组方式和协变量测量，尽量减少未观测混淆的生存空间。

这就像主厨先用一半食材试做、再用另一半食客验证，而不是拿试做的菜直接宣布新配方成功。多换几组食客、多次试做，最终端出去的菜品才能经得起检验。

τ^CF=1K∑k=1Kτ^(k)\displaystyle \hat\tau_{\mathrm{CF}} = \frac{1}{K}\sum_{k=1}^{K}\hat\tau^{(k)}
  1. 折数\(K\) 表示把数据切成多少份，常见取 5 或 10。
    KK
  2. 第 k 份估计\(\hat\tau^{(k)}\) 表示只评估第 \(k\) 份数据时得到的因果估计。
    τ^(k)\hat\tau^{(k)}
  3. 交叉拟合平均把所有折的估计值取平均，降低单折波动和过拟合带来的偏差。
    1K∑k=1Kτ^(k)\frac{1}{K}\sum_{k=1}^{K}\hat\tau^{(k)}

AI 应用场景

推荐系统的 A/B 实验审计

阶段：因果效应估计与误差诊断

解决的问题：在线推荐系统上线新策略后，直接比较点击率容易受用户活跃度、设备偏好、历史行为等混淆因素干扰。传统简单差值法把噪声误判为策略收益，导致错误迭代。

具体案例：某资讯 App 想知道“新推荐算法是否提升了用户留存”。团队先用倾向得分模型估计每条曝光被推荐的概率，再用双重稳健估计计算处理效应，并对结果做置换检验。若置换检验显示结果可能是随机波动，就不急于全量上线。

大模型指令微调的效果评估

阶段：模型评测与可信度分析

解决的问题：评估“新指令模板是否让大模型回答更安全、更准确”时，测试题目有限，且同一题目不同随机种子、不同解码温度会出现较大波动。若只看平均分，容易把随机波动当成真实改进。

具体案例：团队构造 1000 条敏感问题，用交叉拟合的方式把问题分成 5 折，每折用其余折训练挑选的偏好模型，评估本折回答质量，最后计算置信区间。同时对无效问题做安慰剂检验，确认模型没有在“假装改进”。

风控模型的反事实归因报告

阶段：可解释性与决策审计

解决的问题：银行想知道“提高某类客户额度是否真的降低了逾期率”。超额度的客户本身信用更好，属于自选择偏差。未观测到的还款意愿也会同时影响额度和逾期。

具体案例：分析团队使用敏感性分析，报告“需要多强的未观测混淆才能推翻提额有效的结论”，并给出边界估计。业务方据此判断，这个因果效应虽然点估计为正，但误差范围过大，暂不扩大提额范围。

Python 演示

python52 行
import numpy as npfrom numpy.random import RandomState  def simulate(n, seed=0):    rng = RandomState(seed)    X = rng.normal(size=(n, 2))    true_e = 1.0 / (1.0 + np.exp(-(0.4 * X[:, 0] - 0.3 * X[:, 1] + 0.2)))    D = rng.binomial(1, true_e)    mu0 = 1.0 + 0.8 * X[:, 0] - 0.5 * X[:, 1]    mu1 = mu0 + 2.0    Y = np.where(D == 1, mu1, mu0) + rng.normal(size=n)    return X, D, Y, true_e, mu1, mu0  def ipw_naive(D, Y):    e = np.full_like(Y, D.mean())    return np.mean(D * Y / e - (1 - D) * Y / (1 - e))  def dr_wrong_prop(D, Y, mu1, mu0):    e = np.full_like(Y, D.mean())    return np.mean(mu1 - mu0 + D * (Y - mu1) / e - (1 - D) * (Y - mu0) / (1 - e))  def estimate_error(n, R=300):    naive_bias = 0.0    naive_mse = 0.0    dr_bias = 0.0    dr_mse = 0.0    for sim in range(R):        X, D, Y, e, mu1, mu0 = simulate(n, seed=sim)        naive = ipw_naive(D, Y)        dr = dr_wrong_prop(D, Y, mu1, mu0)        naive_bias += naive - 2.0        naive_mse += (naive - 2.0) ** 2        dr_bias += dr - 2.0        dr_mse += (dr - 2.0) ** 2    return {        "naive_ipw_bias": naive_bias / R,        "naive_ipw_mse": naive_mse / R,        "dr_bias": dr_bias / R,        "dr_mse": dr_mse / R,    }  if __name__ == "__main__":    for n in (50, 200, 800):        err = estimate_error(n, R=200)        print("n =", n,              "biased IPW bias/mse:", round(err["naive_ipw_bias"], 3), round(err["naive_ipw_mse"], 3),              "DR bias/mse:", round(err["dr_bias"], 3), round(err["dr_mse"], 3))
目的：在合成数据上对比“错误倾向得分 + 普通加权”和“错误倾向得分 + 正确结果模型”的双重稳健估计，观察均方误差与偏差随样本量的变化。
  1. def simulate(n, seed=0):生成带混淆变量的观测数据，相当于在已知答案的模拟厨房里测试。
  2. D = rng.binomial(1, true_e)用真实倾向得分抛硬币决定处理组，让处理与协变量相关。
  3. e = np.full_like(Y, D.mean())故意用常数概率代替真实倾向得分，模拟“配方记错”造成的模型误设。
  4. return np.mean(D * Y / e - (1 - D) * Y / (1 - e))这是逆概率加权核心公式，样本权重被错误倾向得分污染后会产生偏差。
  5. return np.mean(mu1 - mu0 + D * (Y - mu1) / e - (1 - D) * (Y - mu0) / (1 - e))双重稳健公式用正确结果模型兜底，即使倾向得分错误也保持低偏差。
  6. naive_bias += naive - 2.02.0 是生成数据时的真实因果效应，累计偏差用来估计误差。
  7. naive_mse += (naive - 2.0) ** 2累加平方误差，最终得到均方误差。

常见误区

误区我看到因果推断输出的 p 值为 0.02，觉得可以放心向业务汇报“这个策略一定有效”。

正解p 值只是说“在随机噪声框架下出现当前估计的概率较低”，但不能排除模型误设和未观测混淆造成的系统性偏差。即使用置换检验得到很小的 p 值，也只是排除了“纯随机波动”，不等于消除了所有误差来源。可以把它想象成主厨证明今天不是盐放多了，但不代表配方里没有其他致命问题。

为何常见：显著性检验学习门槛低，且结果直观，容易让人把统计显著性当成因果可靠性的全部。

误区给倾向得分模型加上大量特征和非线性项，估计误差应该会越来越小。

正解更复杂的模型可能过拟合，在有限样本下反而放大方差；如果结构还是错的，也可能把噪声当作信号。因果估计需要的是“正确且有足够样本支撑”的模型，而不是无限增加复杂度的模型。交叉拟合和重复估计比一味加参数更能反映真实误差。

为何常见：机器学习领域里复杂模型常带来准确率提升，容易让人把这种经验直接搬到因果推断中。

误区只要用倾向得分匹配处理组和对照组，就可以宣称没有混淆偏倚了。

正解倾向得分只能平衡已观测变量，也就是说它只能让两份已经写进配方表的食材对齐。如果存在未观测混淆，例如顾客隐藏的口味偏好，它照样会变成偏倚。因此还需要敏感性分析和边界估计来检查结论的脆弱程度。

为何常见：倾向得分听起来像“把所有背景差异都打平了”，容易忽略它只依赖可观测变量这一前提。

误区把实验人数从 1 万做到 100 万，因果估计误差应该会消失。

正解样本量增大主要压缩抽样方差，但不能消除模型误设和未观测混淆带来的偏差。如果系统本身有问题，100 万人只会得到更稳定的错误答案。大样本让置信区间更窄，也更容易把细微偏差误判成显著效应，诊断环节因此更重要。

为何常见：中心极限定理和“样本越大越准”的直觉让人忽视了偏差与方差是两条不同的误差来源。

面试题

Q1. 因果效应估计的总误差可分解为哪两部分？

单选题 · easy

  • A.偏差与方差← 正确答案
  • B.噪声与异常值
  • C.正确与错误
  • D.实验组与对照组

答案：A。总误差通常被分解为系统性偏差和随机方差。偏差是平均估计与真相的距离，方差是重复实验时读数的抖动。其他选项都不是因果效应估计误差的标准分解方式。

Q2. 增大样本量主要能降低哪类误差？

单选题 · easy

  • A.抽样波动与方差← 正确答案
  • B.未观测混淆偏倚
  • C.模型设定误差
  • D.测量工具误差

答案：A。样本量增大后，随机噪声会被平均掉，方差大约按 \(1/n\) 缩小。但未观测混淆和模型误设是系统性偏差，增加样本只会让偏差更稳定地出现，并不会消失。

Q3. 倾向得分匹配能完全消除哪类混淆？

单选题 · easy

  • A.已观测到的混淆变量← 正确答案
  • B.未观测到的混淆变量
  • C.测量工具带来的误差
  • D.样本选择造成的偏差

答案：A。倾向得分是对已观测协变量构建的平衡分数，只能让两组在已观测特征上可比。隐藏变量如果没有进入模型，仍会通过影响处理和结果污染估计。

Q4. 双重稳健估计的含义是什么？

单选题 · mid

  • A.两个模型有一个正确即可← 正确答案
  • B.两个都必须正确才一致
  • C.无需任何模型即可估计
  • D.只能用于随机对照试验

答案：A。双重稳健估计同时使用倾向得分模型和结果模型。只要其中一个模型正确，估计就能保持一致。如果两个都错，它仍然会有偏，所以不能完全放弃诊断。

Q5. 未观测混淆造成的偏倚方向取决于什么？

单选题 · mid

  • A.混淆与处理及结果的关联← 正确答案
  • B.样本量的大小
  • C.结果变量的量纲
  • D.估计器的方差

答案：A。偏倚方向由隐藏变量与处理、结果之间的关联方向共同决定。样本量决定的是方差，量纲只会影响数值单位，不会改变偏倚方向。

Q6. 安慰剂检验的核心思路是？

单选题 · mid

  • A.检验已知无效变量是否有效← 正确答案
  • B.用随机数替换真实数据
  • C.增加模型复杂度再比较
  • D.比较训练集与测试集损失

答案：A。安慰剂检验选择一个理论上不受处理影响的假结果，如果估计仍显著偏离零，就说明模型存在污染。它像用一盘没放调料的菜去检验顾客评价是否受外界因素干扰。

Q7. 交叉拟合解决什么问题？

单选题 · mid

  • A.消除训练数据上的过拟合← 正确答案
  • B.消除未观测混淆干扰
  • C.弥补样本量不足
  • D.平衡处理与对照组

答案：A。交叉拟合把模型拟合和评估放在不同数据折上，避免同一数据既参与拟合又参与评估。它能减少过拟合导致的乐观偏差，但不能直接解决未观测混淆。

Q8. 下列哪些属于估计误差的常用诊断手段？

多选题 · mid

  • A.置换检验← 正确答案
  • B.安慰剂检验← 正确答案
  • C.敏感性分析← 正确答案
  • D.梯度下降

答案：ABC。置换检验构造随机世界，安慰剂检验检查假结果，敏感性分析评估未观测混淆的影响。梯度下降是优化方法，不是误差诊断工具。

Q9. 关于偏差与方差，以下说法正确的是？

多选题 · hard

  • A.小样本通常导致高方差← 正确答案
  • B.模型误设通常导致高偏差← 正确答案
  • C.未观测混淆通常导致高偏差← 正确答案
  • D.增加样本可以完全消除未观测混淆偏倚

答案：ABC。小样本使读数不稳定，模型误设和未观测混淆都让平均估计远离真相。增加样本只能降低方差，不能消除隐藏变量带来的系统性偏倚。

Q10. 在报告因果效应估计误差时，下列做法正确的是？

多选题 · extreme

  • A.同时报告点估计与置信区间← 正确答案
  • B.用置换检验排除随机波动解释← 正确答案
  • C.忽略误差来源只输出数值
  • D.强混淆下缩小结论范围← 正确答案

答案：ABD。负责任的报告应同时呈现点估计和不确定性，并用诊断方法排除噪声解释。若不考虑误差来源，容易把不稳定结论当成事实；若存在强未观测混淆，则应谨慎限定解释范围。