数据范儿_范老师-AI时代科研统计新范式-计量科研AI导航

一、开篇：两种语言，同一个词

如果你同时读两类论文，会发现"因果关系"这个词被用在了两种看起来完全不同的语境中——

语境A（常见于劳动经济学、教育经济学、发展经济学）：

"我们使用倾向得分匹配来估计培训项目对工资的处理效应。在条件独立假设下，ATT 估计值为 0.12，即参加培训使工资提高了约12%。"

语境B（更传统的实证研究）：

"在控制了个体特征、家庭背景和地区固定效应之后，受教育年限的系数为 0.08 且在 1% 水平上显著。这表明，保持其他条件不变，每增加一年教育，工资提高约 8%。"

两种表述都在说自己估计的是"因果效应"。但它们用的是两套完全不同的语言体系。语境A用的是潜在因果框架（Rubin Causal Model, RCM）——以反事实、处理效应、分配机制为核心概念。语境B用的是多元回归——以偏导数、控制变量、FWL定理为核心概念。

这两个框架各自声称的"因果"，是同一个东西吗？一个更可信吗？它们在什么条件下会给出相同的答案？

这篇文章就是要打通这两套语言。

核心信息：潜在因果框架和多元回归不是两种"对立的因果理论"——它们是同一套识别逻辑的两种表达方式。潜在因果框架更透明（你被迫把假设写清楚），多元回归更便捷（但假设容易隐形）。理解两者的等价条件，是判断一篇实证论文可信度的关键技能。

二、潜在因果框架：用"反事实"定义因果

2.1 核心思想——每个人有两个潜在的自己

潜在因果框架由 Rubin（1974）系统化，它的起点是一个"反事实"定义：

对每个个体 i，定义两个潜在结果（Potential Outcomes）：

Yᵢ(1)：个体 i 如果接受处理（如参加培训、上大学、服用药物）会出现的潜在结果。
Yᵢ(0)：个体 i 如果不接受处理会出现的潜在结果。

个体处理效应（Individual Treatment Effect）就是这两个潜在结果之差：

$\tau_i = Y_i(1) - Y_i(0)$

这个定义干净到什么程度？它完全不依赖任何模型、任何假设、任何回归方程。因果就是两个潜在结果的差——定义上无懈可击。

2.2 根本问题——你永远看不到两个潜在结果

但定义干净是一回事，实际操作是另一回事。对于任何一个个体，你只能观测到一个潜在结果。 参加了培训的人，你看不到他"没参加培训"会怎样；没参加的人，你看不到他"参加了"会怎样。

这就是 Holland（1986）所说的因果推断的根本问题（Fundamental Problem of Causal Inference）——因果效应定义在个体层面，但个体层面的因果效应永远不可直接观测。

2.3 解决办法——从个体到群体，引入可观测假设

既然个体因果效应不可观测，实证研究的目标就转向了估计平均处理效应（Average Treatment Effect, ATE）：

$\text{ATE} = \mathbb{E}[Y(1) - Y(0)]$

要识别 ATE，需要满足一个关键条件——无混淆分配（Unconfoundedness），也叫条件独立假设（Conditional Independence Assumption, CIA）：

$Y(0), Y(1) \perp T \mid \mathbf{X}$

意思是在控制了协变量 X 之后，谁接受处理（T=1）和谁不接受处理（T=0），不再与潜在结果相关。在给定 X 的条件下，处理的分配"就像是随机的一样"。

如果 CIA 成立，ATE 就可以通过以下方式来识别：

$\text{ATE} = \mathbb{E}_{\mathbf{X}} \left[ \mathbb{E}[Y|T=1, \mathbf{X}] - \mathbb{E}[Y|T=0, \mathbf{X}] \right]$

即在 X 的每个取值层内比较处理组和控制组的均值差异，然后按 X 的分布取加权平均。

2.4 潜在因果框架的"因果语言"到底是什么？

用一句话概括：在潜在因果框架里，"因果效应"是定义在反事实之上的——它不依赖任何函数形式假设，只依赖于一个实质性假设（分配机制是否等同于"在控制了X后近似随机"）。

三、多元回归：用"偏导数"逼近因果

回顾 FWL 定理（前一篇的完整展开）：多元回归中的 $\hat{\beta}_1$ ，等于"把 X₁ 中与所有控制变量线性相关的部分剔除后，剩余的 X₁ 变异"和 Y 之间的关系。

但要把这个 $\hat{\beta}_1$ 解释为因果关系，同样需要一个实质性条件——遗漏变量偏误为零。也就是说，在控制了已有的变量之后，不存在既影响 X 又影响 Y 的未观测变量。

注意这句话和潜在因果框架的 CIA 有多么相似——实际上，它们在数学上是同一个条件，只是换了一种说法。

所以，多元回归声称的"因果效应"，本质上也是在同一个 CIA 条件下才成立的。 区别在于：潜在因果框架把 CIA 放在明面上——你必须在论文里写"我们假设在控制了X之后处理分配近似随机"；而回归用户有时候甚至不提及这个条件，直接跳到"系数为β，表示因果效应"。

四、两者的等价与不等价：什么条件下它们给出相同的答案？

4.1 一个被低估的结论：OLS = 方差加权的处理效应

Angrist & Pischke（2009, Mostly Harmless Econometrics）给出了一个影响深远的结果：

在条件独立假设（CIA）下，多元回归的系数 $\hat{\beta}_1$ 不是 ATE，也不是 ATT——它是处理效应的一个条件方差加权平均。

具体来说，假设处理变量 T（0/1），控制变量 X。在 CIA 成立且线性模型设定正确的情况下：

$\beta_1 = \mathbb{E}\left[ \omega(X) \cdot \tau(X) \right]$

其中 $\tau(X) = \mathbb{E}[Y(1)-Y(0)|X]$ 是X条件下的处理效应，而权重 $\omega(X) \propto \text{Var}(T|X)$ ——即处理变量的条件方差。

这意味着什么？

X 取值处，处理变量的方差越大，该处的处理效应在 OLS 估计中获得的权重就越大。

直觉上：如果在一个X的取值层内，几乎所有人都被处理了（或几乎都不被处理），那么这个层的处理效应对OLS系数的贡献很小——因为这个层内数据"区分不了"被处理和未被处理的人群。相反，在一个X层内，如果有大约一半的人被处理、一半人没被处理（方差最大），这个层的处理效应就获得最大权重。

这个权重的选择是OLS自动做出的——它不是任何处理效应定义（ATE、ATT）的自然权重，而是回归本身的数学性质决定的。

4.2 当处理效应同质时：回归系数 = ATE

如果处理效应是同质的（homogeneous）——即每个人受到的处理效应都一样，无论X取值如何， $\tau(X) \equiv \tau$ 对所有X不变——那么无论权重怎么分配，加权平均都等于τ：

$\beta_1 = \tau = \text{ATE} = \text{ATT}$

在这种特殊情况下，潜在因果框架下的 ATE 和多元回归系数完全等同。

但同质处理效应是一个极强的假设。在教育回报的例子中，它意味着"上大学对每个人的影响都一样"——无论你的能力高低、无论你学什么专业、无论你在哪个劳动力市场。这显然不符合直觉。

4.3 当处理效应异质时：回归系数 ≠ ATE，≠ ATT

如果处理效应是异质的（heterogeneous）——即不同的人受到的处理效应不同——OLS 系数既不是 ATE 也不是 ATT。它是一个对高方差层赋予了更大权重的处理效应加权平均。

一个对比：

估计量	定义	加权方式
ATE	$\mathbb{E}[Y(1)-Y(0)]$	按总体分布等权
ATT	$\mathbb{E}[Y(1)-Y(0)\\|T=1]$	只对处理组取平均
OLS系数（CIA下）	$\mathbb{E}[\omega(X)\tau(X)]$	按处理变量的条件方差加权

这意味着，即使 CIA 成立，你从多元回归中读出来的那个数字，也不等于潜在因果框架定义的 ATE——除非你愿意额外假设处理效应同质，或者你使用的是更灵活的估计方法（如交互项模型、匹配方法等）来允许异质性处理效应的存在。

五、谁更可信？——不是高下问题，是透明度问题

5.1 潜在因果框架的优势：假设透明化

潜在因果框架几乎强迫你做三件事：

明确定义处理：T 是什么？是二值的还是连续的？处理是怎样被分配的？
明确定义反事实：谁和谁比较？你在估计 ATE、ATT 还是 LATE？
明确写出识别假设：CIA 是否合理？在控制了哪些变量之后，你愿意相信CIA成立？

这些步骤不能跳过。如果你跳过了，审稿人会替你补上。

潜在因果框架的"可信度"，不在于它的数学更高级——而在于你把所有"如果"都摆在了桌子上，读者可以自己判断这些"如果"是否成立。

5.2 多元回归的风险：假设隐形化

多元回归的危险之处在于——你可以在不追问任何识别假设的情况下，跑出一个回归并得到显著的系数。 回归表里的星星（***）会给你一种虚假的确定感：p < 0.01，三个星，一定是真的。

但回到上文——如果 CIA 不成立，这个 p 值衡量的是"在错误模型下，零假设被拒绝的概率"，而不是"效应真实存在的概率"。它什么也保证不了。

这就是为什么当代实证经济学越来越把"回归"仅仅当作估计工具，而把识别论证放在完全独立的部分。在识别论证中，你需要讲清楚：为什么在控制了这些变量之后，处理变量的残余变异可以"被认为是近似于随机的"？这并不是回归表能回答的问题。

5.3 一张表对比两种框架

维度	潜在因果框架（RCM）	多元回归
因果的定义	反事实：Y(1)-Y(0)	偏导数：∂Y/∂X（保持其他不变）
识别条件	CIA（无混淆分配）	遗漏变量偏误 = 0
条件和CIA的关系	直接就是CIA	等价的，只是没说出来
估计的目标量	ATE/ATT/LATE（明确定义）	CIA下 = 方差加权的处理效应
异质性处理效应	可灵活估计（匹配法、分层、ML等）	标准OLS只能给方差加权平均
假设的可见度	高——被框架强制写出来	低——容易被"控制变量"的修辞遮掩
最容易被滥用之处	倾向得分匹配的"黑箱化"使用	"控制变量越多越好"的盲目操作
一句话	"假设是明牌，你自己看"	"假设是底牌，你得会掀开"

六、在什么情况下两者接近或等同？——实用性判断

综合前述，这里给出几个实用判断条件：

CIA 成立 + 处理效应同质 → 两者完全等同。回归系数 = ATE。但同质效应假设在大多数应用场景中过于严格。
CIA 成立 + 处理效应异质但不大 → 两者接近。如果处理效应在不同人群之间的差异较小，方差加权平均和简单平均的差距也不大。在应用上，这种"接近"可能已经足够支撑你的定性结论。
CIA 成立 + 异质性较大 → 两者可能相差很大。此时最好使用匹配方法、逆概率加权（IPW）或交互项回归等更灵活的方法——让模型允许处理效应随X变化。
CIA 不成立 → 两者都不等于因果效应。 此时需要转向更可信的识别策略（IV、DID、RDD等），而不是在回归和RCM之间纠结"谁更好"。

关键结论：潜在因果框架和多元回归在识别逻辑上是同一类方法——都依赖于"在控制可观测变量后，处理分配近似随机"。它们的差异在于，潜在因果框架让你更清楚地看到自己的假设，并且在不做额外假定（如同质处理效应）的情况下，这个框架给出的估计目标更清晰。

七、总结

回到标题的四个问题：

两种框架说的"因果"有什么不同？ ——潜在因果框架在反事实上定义因果，多元回归在偏导数上逼近因果。但两者依赖同一个实质条件（CIA / 无遗漏变量偏误）。
谁更可信？ ——不是更可信，而是更透明。潜在因果框架不会让你的因果推断自动变得更强，但它会让你更清楚地看到你的推断"强在何处、弱在何处"。可信度来源于假设的合理性，而非框架的选择。
两者在什么情况下接近？ ——CIA 成立 + 处理效应同质时，两者等同。CIA 成立 + 异质性不大时，两者接近。
在什么情况下等同？ ——CIA 成立 + 处理效应严格同质时，回归系数 = ATE。

一句话收尾：

"潜在因果框架和多元回归不是两种对立的因果哲学——它们是同一套逻辑的不同表达。框架的意义不在于哪个更'高级'，而在于：你是愿意把你的假设摆在桌子上让所有人审视，还是把它们藏在回归表的脚注下面。"

八、B站/公众号呈现建议

B站视频：核心逻辑链建议用"并排对比"视觉——左侧画面展示 Rubin 因果框架的反事实语言，右侧画面展示回归的偏导数语言，下方叠加一行不断出现的文字"它们依赖同一个假设：CIA"。在讲到 OLS ≠ ATE 时，用一个天平动画展示"两边权重不同"，直观呈现条件方差加权的含义。
公众号：两种框架的对比表适合做成左右分栏的信息图。Angrist & Pischke 的"OLS = 方差加权平均"结论可以做成一个突出引用的卡片，是本文的核心信息增量。
推荐标题：
- 主标题：《潜在因果 vs 多元回归：两套"因果"语言有什么不同？》
- 备选标题：《你跑回归得到的那个系数，等于 ATE 吗？——大多数情况下不等》
金句提炼：

"潜在因果框架不会让你的因果推断自动变得更强——但它会让你更清楚地看到，你的推断强在何处、弱在何处。"