做因果推断的人，第一课通常是潜在结果框架（Rubin causal model）：每个个体有两个潜在结果，Y(1)和Y(0)。但真正让这个框架反直觉的，不是它的数学，而是它逼你回答一个几乎不可能回答的问题：如果这个个体没有接受处理，他会怎样？

这个『反事实』问题在观察性研究中几乎总是悬而未决的。我们只能观测到处理组在未处理状态下的代理——匹配、倾向得分加权、工具变量、断点回归——但所有的识别策略本质上都是在做同一个假设：我找到的那个对照，能近似回答那个反事实。

我见过的最常见的错误，不是选错了方法，而是把『关联』直接翻译成『因果』。举个具体的例子：

假设你研究城市绿化对居民心理健康的影响。你收集了数据，发现住在绿化覆盖率高的社区的人，抑郁量表得分显著更低（β = -0.3, p < 0.01）。你控制了一堆协变量，结果稳健。于是你得出结论：增加绿化能改善心理健康。

但这个结论依赖一个关键假设：高绿化社区的居民和低绿化社区的居民，在未接受『高绿化』这个处理时，心理健康水平是相同的。 这在现实中几乎不可能成立——因为高绿化社区往往房价更高，而高收入人群本身抑郁风险就更低。你控制的收入变量可能不够精细（比如只分了五档），或者还有别的混杂因素（比如社区治安、通勤距离）。

更隐蔽的陷阱是中介变量和碰撞变量（collider）。如果你控制了『户外活动时间』——它可能是绿化的中介——你就堵住了因果路径的一部分，效应量会被低估。如果你控制了『社区满意度』——它可能是绿化和心理健康的共同结果——你就打开了一条虚假路径，制造出本来不存在的『因果』。

一个值得辩论的问题： 当我们永远无法直接观测反事实时，因果推断的结论本质上是不是一种『有根据的虚构』？如果是，那它的科学地位和纯描述性的关联分析相比，到底高在哪里？

# 因果推断 #潜在结果框架 #方法论