想象一片果园里，老王想弄清一件事：给果树施肥到底能不能增产？他没有抓阄，而是凭经验——“哪棵树长得弱，我就给它多施肥”。一年后他统计产量，惊讶地发现：施过肥的树，平均产量居然比没施肥的树还低！难道肥料有害吗？其实，老王掉进了一个经典陷阱：选择偏差。他把肥料给了本来就弱小的树，然后拿“弱树”和“壮树”比产量，比较从一开始就不公平。这就是选择偏差的本质——不是处理无效，而是“谁进了处理组”这件事，本身和结果紧密相关。 选择偏差听上去简单，却是因果推断中最隐蔽也最常见的敌人。它藏在你观察到的数据里，让“比较平均值”这个直觉动作悄悄失真。要看清它，我们需要一套严谨的语言：潜在结果框架。它把每棵树想象成有“两个平行宇宙的自己”——施肥的你与不施肥的你。真实世界只能看到其中一个，而选择偏差就是两宇宙之间的裂缝。 本文我们将从老王的果园出发，用天平、抓阄、土壤分层等生活场景，一步步拆解选择偏差的原理、公式、随机化破解法、辛普森悖论，以及工程实践中的常见对策。

岗位关联

对 AI 从业者而言，掌握选择偏差意味着你能在 A/B 测试、观察性研究和因果推断中识别“虚假相关”，避免把算法或产品的效果归因于错误因素。

目录
  1. 可视化演示
  2. 选择偏差的成因与公式
  3. 潜在结果与反事实
  4. 从个体到平均的处理效应
  5. 随机化：消除偏差的黄金标准
  6. 条件可忽略性：放宽随机化
  7. 辛普森悖论与分组陷阱
  8. 工程修正策略
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示潜在结果框架下的选择偏差：处理组与对照组在协变量上的分布差异导致因果效应估计偏倚，以及IPW/PSM/DR等调整方法的偏差消除效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

选择偏差 处理组T 对照组C 协变量分布不均衡 Bias=E[Y]-E[Y(1)]-E[Y(0)] IPW/PSM/DR消除选择偏差

选择偏差的成因与公式

老王的果园终于迎来了收获季。他统计产量时发现一个怪象：凡是施了肥的树，平均产量都低于没施肥的树。老王百思不解，难道买到了假肥料？实际上，问题出在他当初的“好心”上——他专挑枝叶稀疏、长势羸弱的树施肥。这些树即便施了肥，也很难追平那些本来就根深叶茂的壮树。当我们在统计上用“施肥组均值”减去“未施肥组均值”时，得到的差值里既有肥料真实的增产效果，也混入了“两组初始底子不同”的干扰。这段“底子差异”就是选择偏差。

技术地说，选择偏差指的是处理组与对照组在基线潜在结果上不具可比性。因为“谁接受处理”并非随机决定，而是受到结果相关因素影响。假设我们比较两类树的平均产量，用随机变量 \(T\) 表示是否施肥（1 为施肥，0 为未施肥），用 \(Y\) 表示观察产量，那么观察到的差异可以拆成两部分：真实因果效应加上选择偏差。

回到果园：老王的错误不是统计算错了，而是他让“树的初始健康程度”同时决定了施肥与否和产量结果。只要第二项括号还存在，比较平均值就不是在比较同一类东西。选择偏差的解药不是多算几遍，而是改变“谁进入处理组”的生成方式。

E[Y∣T=1]−E[Y∣T=0]=(E[Y(1)∣T=1]−E[Y(0)∣T=1])+(E[Y(0)∣T=1]−E[Y(0)∣T=0])\displaystyle E[Y \mid T=1] - E[Y \mid T=0] = \big(E[Y(1) \mid T=1] - E[Y(0) \mid T=1]\big) + \big(E[Y(0) \mid T=1] - E[Y(0) \mid T=0]\big)
这个公式告诉我们：当你直接比较两组均值时，看到的不仅包含施肥的功劳，还包含“假如不施肥，处理组本来就会有更高产量”的先天优势。第二项括号就是选择偏差。
  1. 观察均值差把施肥树与未施肥树的平均产量相减，这是最直觉的统计操作。
    E[Y∣T=1]−E[Y∣T=0]E[Y \mid T=1] - E[Y \mid T=0]
  2. 引入反事实桥为了让两组在“未施肥”的条件下可比，我们在中间插入一个关键项，即处理组假如没施肥时的平均产量。
    E[Y(0)∣T=1]−E[Y(0)∣T=1]E[Y(0) \mid T=1] - E[Y(0) \mid T=1]
  3. 重组第一括第一项括号变成处理组内部的施肥效应，也就是“对实际施肥的那些树来说，肥料带来的变化”。
    E[Y(1)∣T=1]−E[Y(0)∣T=1]E[Y(1) \mid T=1] - E[Y(0) \mid T=1]
  4. 识别选择偏差第二项括号代表施肥树与未施肥树在“不施肥”状态下的本来差距。这一项不为零，选择偏差就存在。
    E[Y(0)∣T=1]−E[Y(0)∣T=0]E[Y(0) \mid T=1] - E[Y(0) \mid T=0]

潜在结果与反事实

要严谨地讨论选择偏差，老王需要一个思想工具：每棵果树都活在两个平行宇宙中。在第一个宇宙，它施了肥，产量记为 \(Y_i(1)\)；在另一个宇宙，它没有施肥，产量记为 \(Y_i(0)\)。这两个数就是潜在结果。现实世界只能展开其中一个宇宙：如果老王真的给它施了肥，他只能看到 \(Y_i(1)\)，而 \(Y_i(0)\) 成了永远看不见的反事实。

这个想法看似哲学，却是因果推断的基石。它让我们意识到：因果效应本质上是“同一个体在两种世界下的差异”，可是个体层面的因果效应从定义上就无法完整观测——因为一个人无法同时身处两个世界。因此我们必须在观察数据中引入一条重要的桥梁：一致性假设，即当个体实际接受处理 \(T_i=1\) 时，我们看到的结果就等于它的潜在结果 \(Y_i(1)\)；当它实际未处理时，看到的就来自 \(Y_i(0)\)。观察值由此被定义为潜在结果的加权组合。

老王学会了用双重身份看待每棵树：它不是“一棵树”，而是一个“没施肥的自己”加上一个“施肥的自己”。不过，只看单棵树仍然没有出路，因为另一个自我永远在平行宇宙里。我们必须转向群体。

Yiobs=Ti⋅Yi(1)+(1−Ti)⋅Yi(0)\displaystyle Y_i^{obs} = T_i \cdot Y_i(1) + (1 - T_i) \cdot Y_i(0)
这个公式是潜在结果框架的入门钥匙：它把“观察值”与“潜在结果”连接起来。没有这个连接，我们甚至无法讨论偏差。
  1. 写下处理指示器\(T_i\) 是 0 或 1 的开关，决定哪只“平行宇宙的苹果”被我们看到。
    Ti∈{0,1}T_i \in \{0, 1\}
  2. 处理时的取值当 \(T_i=1\) 时，公式中第一项留下 \(Y_i(1)\)，第二项因 \((1-T_i)=0\) 而消失。
    Yiobs=Yi(1)Y_i^{obs} = Y_i(1)
  3. 未处理时的取值当 \(T_i=0\) 时，第一项消失，观察值等于未施肥的潜在结果。
    Yiobs=Yi(0)Y_i^{obs} = Y_i(0)
  4. 一致性保证这个写法依赖一致性假设——处理不能以某种“偷换”方式改变结果定义，看得到的和该下潜在结果必须是同一个东西。
    observable≈potential outcome under actual treatment\text{observable} \approx \text{potential outcome under actual treatment}

从个体到平均的处理效应

既然单个体的因果效应永远看不全，老王便把目光投向整片果园。他想要知道的是：如果对所有树都施肥，平均产量能提高多少？如果对所有树都不施肥，平均产量又是多少？两者之差，就是平均处理效应（ATE），它在潜在结果框架下被简洁地写成两个期望之差。

这个“？”正是整篇文章的核心悬念。老王已经知道真正的目标是什么了，但数据手头只有一个世界的信息。凭什么能用“没施肥组”的平均产量去代表全体树在无肥世界中的平均产量？答案取决于处理分配机制——恰好就是选择偏差的战场。

ATE=E[Y(1)−Y(0)]=E[Y(1)]−E[Y(0)]\displaystyle ATE = E[Y(1) - Y(0)] = E[Y(1)] - E[Y(0)]
ATE 把不可观测的个体效应变成“群体的平均值”。它不要求你知道哪棵树的因果效应是多少，只要求你能在群体层面估计出两种潜在结果的均值。
  1. 定义因果差同一批树，在施肥世界与未施肥世界的平均产量之差。
    ATE=E[Y(1)−Y(0)]ATE = E[Y(1) - Y(0)]
  2. 期望拆开期望运算是线性的，所以“差的期望”可以写成“期望的差”。
    E[Y(1)−Y(0)]=E[Y(1)]−E[Y(0)]E[Y(1) - Y(0)] = E[Y(1)] - E[Y(0)]
  3. 两个世界各算平均数只要我们能分别估计全体树的 \(E[Y(1)]\) 和 \(E[Y(0)]\)，ATE 就浮现了。
    ATE=1N∑iYi(1)−1N∑iYi(0)\text{ATE} = \frac{1}{N}\sum_{i} Y_i(1) - \frac{1}{N}\sum_{i} Y_i(0)
  4. 现实挑战真实数据只能观测到被实际处理那一侧的结果，所以我们需要依赖随机化或可忽略性，让 \(E[Y(0)]\) 可以被数据中某部分人替代。
    E[Y(0)] =? E[Y∣T=0]E[Y(0)] \ \overset{?}{=}\ E[Y \mid T=0]

随机化：消除偏差的黄金标准

老王听从一个农学家的建议：第二年，他把选择权交给抓阄。每棵树都掷一枚“身份的硬币”，正面施肥，反面不施肥。这么做看似简单，却彻底改变了因果推断的结构：因为施肥与否不再由树的强弱决定，处理分配变得像掷骰子一样与潜在结果独立。换句话说，在随机化下，\(T\) 与潜在结果 \((Y(0), Y(1))\) 互不相关，两组树的“先天底子”在概率意义上完全均衡。

抓阄之所以是黄金标准，不是因为它“平均”了所有树，而是因为切断了选择机制与结果之间的暗道。随机对照试验（RCT）因此成为医药、社科、AI 产品评估中最可信的证据来源。但现实世界并不总是允许我们掷硬币——当数据已经存在、处理已经发生时，老王还能做些什么呢？

T⊥(Y(0),Y(1))⇒E[Y(0)∣T=0]=E[Y(0)∣T=1]\displaystyle T \perp (Y(0), Y(1)) \quad \Rightarrow \quad E[Y(0) \mid T=0] = E[Y(0) \mid T=1]
随机化不是让个体变得一样，而是让“哪个世界被我们看到”变得与结果无关。当这个条件成立时，对照组平均产量可以作为全体树无肥世界的良好估计。
  1. 独立性前提\(T\) 与 \((Y(0), Y(1))\) 相互独立，这是随机分配的本质性质。
    T⊥(Y(0),Y(1))T \perp (Y(0), Y(1))
  2. 条件期望相等独立性意味着，无论处理组还是对照组，潜在结果 \(Y(0)\) 的条件期望都相同。
    E[Y(0)∣T=0]=E[Y(0)∣T=1]E[Y(0) \mid T=0] = E[Y(0) \mid T=1]
  3. 偏差项归零回到第一节的偏差公式，第二项括号现在等于零，观察差不再是“效应加偏差”，而就是因果效应。
    E[Y∣T=1]−E[Y∣T=0]=E[Y(1)]−E[Y(0)]=ATEE[Y \mid T=1] - E[Y \mid T=0] = E[Y(1)] - E[Y(0)] = ATE
  4. 统计替代成立随机化让我们可以放心地用“未施肥组的平均产量”直接估计无肥世界的整体均值。
    E[Y(0)]=E[Y∣T=0]E[Y(0)] = E[Y \mid T=0]

条件可忽略性：放宽随机化

假设老王没有机会重新抓阄，但他手里多了一本果园台账，记着每棵树的土壤等级、树龄、病虫害史。他注意到一个规律：土壤贫瘠的树更容易被他选去施肥，而土壤肥沃的树通常不用管。如果土壤同时影响产量与施肥决策，我们只需把土壤等级固定下来——在同一块土壤级别内，施肥与否就跟“树的命运”无关了。这就是条件可忽略性，也叫无混杂性。

条件可忽略性是观察性因果推断的支柱，但它的有效性完全取决于我们是否真的把所有重要混杂变量都记录在案。老王庆幸自己做了台账，可现实中“漏记变量”是常态。而漏记的混杂变量，会把我们带向一个更迷惑人的陷阱——辛普森悖论。

Y(1),Y(0)⊥T∣X,0<P(T=1∣X)<1\displaystyle Y(1), Y(0) \perp T \mid X, \qquad 0 < P(T=1 \mid X) < 1
这个公式的意思是：当我们把所有共同影响处理分配与结果的因素 \(X\) 都考虑进来后，处理分配在每个子层内又变得“像随机一样”。重叠条件则保证每个子层内既有施肥树也有未施肥树，否则无法比较。
  1. 条件独立给定协变量 \(X\)，潜在结果与处理分配独立。这是随机化在观察数据中的推广。
    Y(1),Y(0)⊥T∣XY(1), Y(0) \perp T \mid X
  2. 子层内无混杂在固定 \(X\) 的每一层中，处理组与对照组的潜在结果期望一致。
    E[Y(0)∣T=0,X]=E[Y(0)∣T=1,X]E[Y(0) \mid T=0, X] = E[Y(0) \mid T=1, X]
  3. 重叠条件任意协变量组合下，树既有可能被施肥，也有可能不施肥，概率严格在 0 与 1 之间。
    0<P(T=1∣X)<10 < P(T=1 \mid X) < 1
  4. 组层层加权把每个子层内估计出的因果效应按总体分布加权汇总，就能还原全局 ATE。
    ATE=EX[E[Y∣T=1,X]−E[Y∣T=0,X]]ATE = E_X\big[E[Y \mid T=1, X] - E[Y \mid T=0, X]\big]

辛普森悖论与分组陷阱

老王把台账摊开，做了个对比。全局看：施肥树平均产量 12.8 斤，未施肥树平均 13.5 斤，施肥反而减产。可是当他按“土壤等级”分层后，惊人一幕出现了：无论在肥沃土地还是贫瘠土地中，施肥树的平均产量都高于未施肥树。这就是辛普森悖论：整体数据的方向与每个子组的方向完全相反。原因在于，大部分施肥树集中在贫瘠土地上，而贫瘠土地的整体产量天生偏低，这个权重差异把施肥树的优势“淹没”了。

辛普森悖论的本质不是概率计算出了错，而是我们问错了问题：整体平均差混合了“肥料效应”和“选择构成效应”。要纠正它，老王不能只看整体报表，而要用分层或加权重构一个统一世界的比较。这正是工程实践需要借力的地方。

E[Y∣T=t]=∑kP(X=k∣T=t)⋅E[Y∣T=t,X=k]\displaystyle E[Y \mid T=t] = \sum_{k} P(X=k \mid T=t) \cdot E[Y \mid T=t, X=k]
这个公式揭示了悖论的机关：整体均值是按“该组内部不同子层的占比”加权平均得到的。施不施肥的两组，子层占比完全不同，于是整体对比被构成的差异绑架了。
  1. 拆解条件期望给定处理状态 \(T=t\) 的整体平均产量，可以按土壤类型 \(X=k\) 拆成各子层的平均产量。
    E[Y∣T=t]=∑kE[Y∣T=t,X=k]⋅P(X=k∣T=t)E[Y \mid T=t] = \sum_{k} E[Y \mid T=t, X=k] \cdot P(X=k \mid T=t)
  2. 两层结构照见权重整体均值由两部分决定——子层内的产量差异，以及子层在组内的占比。
    整体均值=∑k子层均值×子层占比\text{整体均值} = \sum_k \text{子层均值} \times \text{子层占比}
  3. 处理组权重偏向低产层因为施肥树大多长在贫瘠土地上，贫瘠层的权重在施肥组中被放大。
    P(X=贫瘠∣T=1)≫P(X=贫瘠∣T=0)P(X=\text{贫瘠} \mid T=1) \gg P(X=\text{贫瘠} \mid T=0)
  4. 方向反转的由来即使每一层内施肥都有正效应，权重差异依然可以拖低整体均值，诱导出“施肥减产”的错觉。
    整体差=∑kwk×层内差+层间构成差\text{整体差} = \sum_k w_k \times \text{层内差} + \text{层间构成差}

工程修正策略

面对已经生成好的观测数据，工程上如何把选择偏差控制住？老王有三件武器：倾向分层、逆概率加权、敏感性分析。首先，我们可以用逻辑回归估计每棵树被施肥的概率 \(e(X)=P(T=1 \mid X)\)，这个概率叫作倾向得分。它把多维的土壤、树龄、病虫害信息压缩成一个数，方便分层或匹配。接着，用倾向得分构造逆概率加权（IPW），给每个样本赋予“代表整个平行世界”的权重，从而在整体上抹平选择偏差。

工程上还要做敏感性分析：假如有一个未观测到的变量同时影响施肥决策和产量，结果会多大程度翻转？这如同老王自问：“如果还有一本我没找到的台账，结论还稳吗？” 倾向分层与 IPW 不是魔法，它们只在我们选对了 \(X\) 时才可靠。正因如此，选择偏差不是一个可以一劳永逸消除的问题，而是每个因果推断项目都需要反复拷问的核心风险。

ATE^IPW=1n∑i=1n(TiYie(Xi)−(1−Ti)Yi1−e(Xi))\displaystyle \widehat{ATE}_{IPW} = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i)Y_i}{1-e(X_i)} \right)
IPW 的直观理解：施肥树被观测到的概率是 \(e(X)\)，所以用 \(1/e(X)\) 放大它，让它代表更多“本来也该施肥却没被采样”的反事实个体；未施肥树同理，用 \(1/(1-e(X))\) 放大。
  1. 倾向得分表达式\(e(X)\) 是给定协变量下施肥的条件概率，它概括了选择机制。
    e(X)=P(T=1∣X)e(X) = P(T=1 \mid X)
  2. 处理组权重给每个施肥样本乘上 \(1/e(X)\)，概率低但最终施了肥的弱树样本权重更大，代表了一群相似的弱树。
    TiYie(Xi)\frac{T_i Y_i}{e(X_i)}
  3. 对照组权重给每个未施肥样本乘上 \(1/(1-e(X))\)，防止壮树群体被忽视。
    (1−Ti)Yi1−e(Xi)\frac{(1-T_i)Y_i}{1-e(X_i)}
  4. 两群相减加权后两组都还原成“全体树”组成，因此差值就是 ATE 的一致估计。
    ATE^IPW=1n∑i=1n(TiYie(Xi)−(1−Ti)Yi1−e(Xi))\widehat{ATE}_{IPW} = \frac{1}{n}\sum_{i=1}^n \Big(\frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i)Y_i}{1-e(X_i)}\Big)

AI 应用场景

在线实验中的用户自选择偏差

阶段：实验评估 / A/B 测试分析

解决的问题：许多产品功能并非所有用户都会主动使用。例如新推荐算法上线后，活跃用户倾向尝鲜，而沉默用户根本不触发新路径。若直接对比“使用新算法的用户”和“未使用的用户”的留存率，活跃用户天然留存偏高，导致算法功劳被高估。这正是老王“给弱树施肥”的翻版——使用行为本身受用户活跃度影响，而活跃度又关联留存。

具体案例：某推荐团队观察了自然流量下使用新模型的两个人群，发现新模型组点击率提升 30%。复查后发现，高活跃用户更可能被算法选中并触发新路径，而高活跃用户本身点击率就高。团队改用随机分流重建小流量实验，才得到了真实的模型增益 8%。

医疗健康数据中的治疗选择偏差

阶段：观察性因果推断 / 疗效对比

解决的问题：电子病历中，病重患者更可能接受新药或手术，若简单比较用药组与未用药组的康复率，用药组很可能“看起来更糟”。这会让 AI 辅助诊疗系统误判药物无效甚至有害。利用潜在结果框架，可以估计倾向得分并对基线疾病严重程度加权，还原药物的真实疗效。

具体案例：一家医院分析两种高血压方案的五年心血管事件率，粗略对比显示 A 药组事件率更高。医生怀疑这是选择偏差——A 药常被开给高危患者。研究团队用倾向评分匹配后，事件率差异反转，A 药实际优于 B 药。这一结论随后被写入临床辅助决策知识库。

推荐系统反馈中的选择偏差

阶段：数据收集 / 模型训练

解决的问题：推荐系统的曝光日志并非随机，模型只看到被推荐出去且被用户点击过的样本。用户是否点击某个品类，与曝光策略、用户偏好相互纠缠。用这些日志直接训练 CTR 模型会放大“马太效应”。借鉴 IPW 的思想，可以按曝光概率的倒数加权样本，缓解反馈选择偏差。

具体案例：某视频平台的召回模型在离线日志上评估 AUC 很高，但上线后线上收益平平。原因是离线评估偏重老爆款。数据分析团队根据曝光概率构造逆倾向权重，重新加权样本训练，模型对冷门优质内容的推荐比例显著提升。

Python 演示

python25 行
import numpy as np np.random.seed(42)n = 2000x = np.random.normal(0, 1, n) # 选择机制: x 越小越容易施肥, x 是土壤贫瘠度, 偏置选择p = 1.0 / (1.0 + np.exp(2.0 - 1.5 * x))T = np.random.binomial(1, p) effect = 2.5y0 = 10.0 + 1.2 * x + np.random.normal(0, 1, n)y1 = y0 + effectY = np.where(T == 1, y1, y0) # 朴素估计: 直接比较两组, 含选择偏差naive = Y[T == 1].mean() - Y[T == 0].mean() # 逆概率加权估计w = T / p + (1 - T) / (1 - p)ipw = (Y * (T / p - (1 - T) / (1 - p))).mean() print("naive difference: %.3f" % naive)print("true ATE: %.3f" % effect)print("IPW estimate: %.3f" % ipw)
目的：模拟“土壤贫瘠度决定施肥”的观测数据，展示朴素比较高估了施肥增产效果，而逆概率加权可以还原真实处理效应。
  1. p = 1.0 / (1.0 + np.exp(2.0 - 1.5 * x))用逻辑回归形式构造选择机制，让土壤条件同时影响施肥概率。
  2. y0 = 10.0 + 1.2 * x + np.random.normal(0, 1, n)未施肥的潜在结果也依赖土壤，制造出混杂变量。
  3. Y = np.where(T == 1, y1, y0)现实世界只记录被看到的那一只“平行宇宙苹果”。
  4. naive = Y[T == 1].mean() - Y[T == 0].mean()这是最容易犯的统计错误：直接比较观察均值。
  5. w = T / p + (1 - T) / (1 - p)构造逆倾向权重，让每组都代表“整体树的构成”。
  6. ipw = (Y * (T / p - (1 - T) / (1 - p))).mean()加权后的差值摆脱选择偏差，逼近真实增产 2.5。

常见误区

误区随机化做完了，两组里的树就一模一样了，任何差异都来自肥料。

正解随机化并不抹平个体差异，只是把“差异的来源”变成纯随机波动。两组的平均基线在期望上相等，但具体样本仍可能存在偶然偏差。随机对照试验的可靠性来自概率平衡与方差度量，而不是让每棵树克隆出另一个自己。老王抓阄后，仍然可能碰巧把几棵弱树分到施肥组，只是这种偏差已经变成可以计算的抽样误差。

为何常见：人们常把“随机”误解为“整齐划一”，实际上随机化是一种概率机制，其力量来自大数法则与重复抽样，而非个体层面的同质化。

误区只要用了倾向得分分层或匹配，选出来的两组就绝对公平，因果结论一定正确。

正解倾向分层只能控制住“被观测且被选入模型”的混杂变量。若存在未记录的变量（例如老王不知道某片土壤曾被重金属污染），选择偏差依然潜伏在暗处。工程上必须配合敏感性分析，评估残留混杂可能带来的影响范围。

为何常见：倾向得分听起来像魔法数字，容易让人误以为“校正过”就等于“因果成立”，忘记所有观察性推断都建立在无混杂假设之上。

误区辛普森悖论只是数据游戏，现实中不会影响真实业务判断。

正解辛普森悖论在医疗、经济、推荐系统中频繁出现，本质是“混合变量”扭曲了整体对比。结论的方向甚至可以被层间权重翻转。它不是教科书上的趣味题，而是 AI 归因分析必须排查的偏误来源。

为何常见：人脑容易相信“整体数字”的直观大小，忽视数据内部结构，尤其当整体样本量很大时，更觉得结论稳如泰山。

误区不是随机试验，就别谈因果，所有观察数据只能做相关分析。

正解观察数据在条件可忽略性、重叠条件和一致性假设满足时，依然可以估计因果效应。RCT 是黄金标准，但并非唯一路径。倾向评分、工具变量、差分法等都是观察数据因果推断的武器。关键在于假设是否合理、是否经过敏感性检验。

为何常见：初学者常把“因果”与“随机试验”绑定，忽略了因果推断是一整套基于假设的建模语言，而非单一的实验流程。

面试题

Q1. 在观测研究中，比较“用了新功能的用户”与“没用新功能的用户”的数据，发现前者留存更高。为什么不能直接说新功能提高了留存？

单选题 · easy

  • A.可能混入了选择偏差← 正确答案
  • B.样本量可能不够大
  • C.留存指标定义有分歧
  • D.用户手机型号差异大

答案：A。使用新功能的用户往往本身就是活跃用户，活跃与留存天然相关，这等于老王把肥料给了弱树后看见弱树不长势。两组基线不可比正是选择偏差的典型表现；样本量、指标定义和机型差异即使存在，也不如“谁选择了功能”这一混淆机制根本。

Q2. 潜在结果框架中，符号 \(Y_i(1)\) 表示什么意思？

单选题 · easy

  • A.个体 i 接受处理后的结果← 正确答案
  • B.个体 i 未处理时的结果
  • C.个体 i 实际观察到的结果
  • D.个体 i 在历史上的结果均值

答案：A。\(Y_i(1)\) 是“如果个体 i 接受处理”这一平行世界中的潜在结果。要区分：观测结果 \(Y_i^{obs}\) 才是现实里唯一看到的数。苹果树的两个分身中，\(Y_i(1)\) 是施肥宇宙的自己。

Q3. 随机对照试验能够成为因果推断黄金标准的根本原因是什么？

单选题 · easy

  • A.处理分配与潜在结果独立← 正确答案
  • B.样本容量自动足够大
  • C.处理组必然强于对照组
  • D.数据一定没有任何缺失

答案：A。随机化的威力在于切断处理分配与潜在结果之间的关联，使 \(T \perp (Y(0),Y(1))\)。这正是把选择偏差第二项归零的条件。样本量、数据质量都是工程问题，不是因果识别成立的根基。

Q4. 以下哪个表达式成立时，表示选择偏差不存在？

单选题 · mid

  • A.\(E[Y(0) \mid T=1] = E[Y(0) \mid T=0]\)← 正确答案
  • B.\(E[Y(1) \mid T=1] = E[Y(1) \mid T=0]\)
  • C.\(E[Y \mid T=1] = E[Y \mid T=0]\)
  • D.\(P(T=1) = 0.5\)

答案：A。选择偏差定义的是处理组与对照组在“未处理潜在结果”上的基线差异。如果两组的 \(Y(0)\) 条件期望相等，说明先天底子可比，观察差就只剩因果效应。C 相等代表观察结果没差异，不能说明偏差是否存在。

Q5. 辛普森悖论最核心的成因是什么？

单选题 · mid

  • A.分层变量同时影响处理分配与结果← 正确答案
  • B.测量误差在分组后自动消失
  • C.样本量在子层之间完全均衡
  • D.离群值干扰了均值计算

答案：A。当土壤等级同时决定“是否被施肥”和“产量”时，全局比较就会被层间构成差异绑架。老王施肥组里贫瘠树占比高，整体均值被拉低，但每一层内施肥仍然有效。测量误差、样本均衡和离群值都不是悖论的结构性根源。

Q6. 关于倾向得分 \(e(X)=P(T=1 \mid X)\)，下列说法正确的有哪些？

多选题 · mid

  • A.是给定协变量下接受处理的概率← 正确答案
  • B.可用于匹配或逆概率加权校正← 正确答案
  • C.等于回归模型中结果的残差
  • D.满足重叠条件就一定没有选择偏差

答案：AB。倾向得分刻画的是选择机制，是观测数据“人造随机化”的抓手，可以被用来匹配、加权、分层。C 混淆了倾向模型与结果模型；D 忘了无混杂假设同样必需，重叠只解决支撑问题。

Q7. 以下哪些是潜在结果框架中识别因果效应的关键假设？

多选题 · mid

  • A.可忽略性（无混杂性）← 正确答案
  • B.重叠条件← 正确答案
  • C.一致性假设← 正确答案
  • D.正态分布假设

答案：ABC。可忽略性保证层内处理像随机分配，重叠保证每层都能同时看到处理和对照，一致性保证观测结果忠实对应潜在结果。正态分布不是因果推断的必需前提，它只是部分统计模型中的分布设定。

Q8. 在观测数据中使用逆概率加权（IPW）估计 ATE 时，核心做法是什么？

单选题 · hard

  • A.按倾向得分的倒数放大样本权重← 正确答案
  • B.按结果变量的大小直接加权
  • C.删除倾向得分较低的样本
  • D.用线性回归强制外推反事实

答案：A。IPW 用 \(T_i/e(X_i)\) 放大处理组、\((1-T_i)/(1-e(X_i))\) 放大对照组，使两组的协变量分布都还原成总体分布。按结果加权会引入新偏误，删样本会破坏信息，线性外推则是另一种建模路径，不是 IPW 的核心思想。

Q9. 为什么随机化能消除混杂变量带来的选择偏差？

多选题 · hard

  • A.处理与潜在结果变量独立← 正确答案
  • B.两组基线的期望分布趋于均衡← 正确答案
  • C.每个个体都变得完全相同
  • D.处理效应会自动变成零

答案：AB。随机分配让处理不依赖任何潜在特征，于是两组在期望上拥有相似协变量与潜在结果分布。C 是典型误解——个体依然千差万别，均衡发生在群体期望层面；D 则完全错误，随机化的作用不是抹除效应而是识别效应。

Q10. 若某个协变量组合下，所有树要么一定被施肥、要么一定不被施肥，这违反了哪个条件？

单选题 · extreme

  • A.重叠条件← 正确答案
  • B.一致性假设
  • C.条件独立性
  • D.正态性假设

答案：A。重叠条件要求 \(0 < P(T=1 \mid X) < 1\)。若概率为 0 或 1，则该层内找不到对应的反事实样本，老王无法比较“如果被施肥会怎样”。这就像平行宇宙中某类树根本无法切换到另一个世界，因果推断因此失效。