潜在结果框架：稳定单位处理值假设

可视化演示

展示因果推断中SUTVA假设（无干扰+单一处理版本）、社交网络干扰效应违反机制、以及邻居处理比例诊断策略。切换模式查看各维度。

因果推断基础：一株番茄的两个平行宇宙

阿杰今年很纠结：左手是老肥料，右手是新买的“神奇肥”。他想知道，新肥料到底让番茄增产了吗？直觉告诉他，应该把两块田的平均收成比一比。可仔细一想，两块田的土壤、光照、浇水方式都不同，表面差异根本说不清是谁的功劳。真正的因果判断，需要在同一株番茄身上同时看到两种命运：一种用了神奇肥，一种没用。现实世界只允许它走其中一条路。

这正是反事实思维的起点。所谓潜在结果，就是每一株番茄在“如果用新肥”和“如果不用新肥”两个平行世界里各自的收成。因为世界只会选择一条路，另一个结果永远是看不见的反事实。于是我们把问题从“相关”抬到“因果”：相关看的是实际看到的两个群体的差异，因果看的是同一批对象在两种处理状态下的差异。

在数学上，对第 \(i\) 株番茄，用 \(Y_i(1)\) 表示使用新肥的收成，用 \(Y_i(0)\) 表示不用新肥的收成。个体因果效应就是两者之差。这个差值没法直接观测，但它是所有因果问题的出发点。

回到阿杰，他不能只看平均产量差就宣布神奇肥有效。如果两块田土壤不同、光照不同，观察到的差异可能来自别处。反事实思维提醒我们：因果效应藏在同一个个体的两种命运之间，而不是两个不同群体的表面差距。

潜在结果框架：给看不见的格子记账

阿杰决定换一种思路。他给每一株番茄建一张账本：第一行写着“若用神奇肥”，第二行写着“若不用神奇肥”。这本账就是潜在结果框架，也叫 Rubin 因果模型。它的核心是把每个个体所有可能处理下的结果写成一张完整的潜在结果表：每一行是一个个体，每一列是一种处理水平。

现实中，我们只记录被分配到的那一格，其他格子全是缺失数据。这张表把因果推断转化成了“缺失数据问题”：如果能把缺失格子补上，因果效应立刻可见。处理分配机制就是决定打开哪一个格子的规则，它可以是随机抛硬币，也可以是某个复杂的策略。

用 0/1 变量 \(Z_i\) 表示阿杰是否给第 \(i\) 株番茄施新肥，则观测结果可以写成：

阿杰的账本越记越厚，但他发现一个更重要的问题：如果隔壁田的肥料被风吹过来，对照组番茄也偷偷吸收了神奇肥，那么账本上的“未处理结果”就不再干净。要解决这个问题，还需要给账本立下新的规矩。

SUTVA 第一支柱：互不干扰

这天，阿杰发现风把新肥吹到了隔壁田。对照组的番茄虽然没有直接施肥，却因为沾了飘来的肥料颗粒而长得更好。此时，对照组的结果不再代表 \(Y_i(0)\)，而是被别人的处理污染了。稳定单位处理值假设的第一支柱，就是要求每个单位的结果不受其他单位处理状态的影响。

在数学上，把全田所有番茄的处理状态写成一个向量 \(Z=(Z_1,Z_2,\dots,Z_n)\)。第 \(i\) 株番茄的结果原本可以写成 \(Y_i(Z)\)，也就是依赖全体处理状态的函数。SUTVA 要求它退化成只依赖自己那一份处理：

阿杰把这条规则记成“各扫门前雪”。在学校里也一样：如果一位同学参加辅导班，把笔记借给全班，最后全班成绩都提高了，那就很难说清辅导班对某个同学的真实效果。这种网络溢出效应，正是 SUTVA 想要排除的干扰。

SUTVA 第二支柱：一致性

处理完了“邻居干扰”，阿杰又遇到新麻烦。他从两家店各买了一瓶“神奇肥”，一瓶是液体，一瓶是粉末。虽然都叫同一个名字，但实际成分、用法、效果完全不同。此时“施了新肥”这个处理不再只有一个版本，\(Y_i(1)\) 到底指液体版还是粉末版？因果效应瞬间失去定义。

SUTVA 的第二支柱叫一致性，它要求处理值与潜在结果一一对应：当 \(Z_i=1\) 时，观测到的结果必须就是 \(Y_i(1)\)；当 \(Z_i=0\) 时，观测到的结果必须就是 \(Y_i(0)\)。用公式表达就是：

阿杰把这条规则记成“同一种药，同一种疗效”。在 AI 系统中也一样：如果一个推荐策略在不同城市、不同设备上有完全不同的逻辑，那么“是否采用新策略”这个处理变量就不一致，实验结论也会变得模棱两可。

失效场景应对：当两把尺子都失灵

阿杰终于明白，SUTVA 不是自动成立的，它需要设计者主动守护。最经典的失效场景有两大类。第一类是互不干扰被打破：疫苗的群体免疫、社交网络里的信息传播、补习班同学之间的笔记共享，都会让一个人的结果被另一个人的处理影响。第二类是一致性被打破：药品批次不同、算法版本悄悄升级、服务端和客户端配置不一致，都会让同一个“处理”变成好几个不同的处理。

当 SUTVA 成立，并且处理是随机分配时，平均因果效应 ATE 可以由两个组的观测均值之差识别：

应对 SUTVA 失效，阿杰学到几个方法。最直接的是集群随机化：把一整片地块或一个社交网络社群作为随机单位，避免处理外溢到对照组。其次是敏感性分析：假设存在一定程度的干扰，检验结论是否依然稳健。最后是设计诊断：在设计阶段记录单位之间的接触关系，把网络结构纳入分析。

实践检验与 AI 应用价值

阿杰的番茄田，慢慢变成了 AI 的决策场。推荐系统想问：“把优惠券推给这个用户，到底能不能提升他的下单率？”医疗 AI 想问：“给这位患者使用这个药，血压会不会比不用更好？”这些问题本质上都在估计 \(Y_i(1)-Y_i(0)\)。而 SUTVA 正是这些问题能否被回答的前提。

在因果机器学习中，我们常用条件平均处理效应来描述一个具体人群的因果效果。给定特征 \(X_i=x\)，可以定义：

对 AI 从业者来说，SUTVA 不仅是一个理论名词，更是一份工程检查单。上线一款推荐策略前，先问：用户之间会不会通过社交关系互相影响？新版策略的逻辑在所有端点上是否一致？这两问过后，模型的输出才更有资格叫“因果”，而不只是“相关”。

AI 应用场景

Python 演示

import numpy as np def simulate(interference=False, inconsistent=False, seed=42):    rng = np.random.default_rng(seed)    n = 200    y0 = rng.normal(50, 10, n)    effect = rng.normal(8, 3, n)    y1 = y0 + effect    z = rng.binomial(1, 0.5, n)    y_obs = np.where(z == 1, y1, y0)     if interference:        neighbor_has_treatment = np.zeros(n, dtype=bool)        neighbor_has_treatment[1:] = z[:-1] == 1        overflow = neighbor_has_treatment & (z == 0)        y_obs = np.where(overflow, y_obs + 5.0, y_obs)     if inconsistent:        low_version = rng.binomial(1, 0.5, n) == 1        y_obs = np.where((z == 1) & low_version, y0 + 2.0, y_obs)     true_ate = float((y1 - y0).mean())    naive_ate = float(y_obs[z == 1].mean() - y_obs[z == 0].mean())    return true_ate, naive_ate if __name__ == "__main__":    cases = [        ("SUTVA_ok", dict()),        ("no_interference", dict(interference=True)),        ("no_consistency", dict(inconsistent=True)),    ]    for name, kwargs in cases:        true_ate, naive_ate = simulate(**kwargs)        print(f"{name}: true_ate={true_ate:.2f}, naive_ate={naive_ate:.2f}")

1. y1 = y0 + effect为每个样本生成另一个潜在结果，体现反事实世界。
2. z = rng.binomial(1, 0.5, n)用随机硬币决定每个样本是否接受处理。
3. y_obs = np.where(z == 1, y1, y0)只观测被分配的那一个潜在结果，对应一致性。
4. neighbor_has_treatment[1:] = z[:-1] == 1构造“前一个样本接受处理”的邻居信息。
5. y_obs = np.where(overflow, y_obs + 5.0, y_obs)让部分对照样本被处理溢出污染，破坏互不干扰。
6. true_ate = float((y1 - y0).mean())上帝视角下用全部潜在结果算出的真实因果效应。
7. naive_ate = float(y_obs[z == 1].mean() - y_obs[z == 0].mean())现实世界中只能算出的朴素组间均值差。

常见误区

面试题