反事实估计

Parent: ai_keywords

反事实估计

核心定义

反事实估计（Counterfactual Estimation）是因果推断领域的核心方法论，旨在回答“如果当时采取不同行动（或处于不同状态），结果将会如何？”这一反事实问题。它通过构建与事实观察相对应但未曾发生的替代情景，量化干预变量对结局变量的因果效应。其理论基础源于鲁宾因果模型（Rubin Causal Model）中的潜在结果框架，将每个个体的观测事实与未观测的反事实结果进行比较，从而估计平均处理效应（ATE）或异质性处理效应（CATE）。

关键技术点

1. 潜在结果框架：将个体层面的结果定义为两个潜在变量：(Y_i(1))（接受干预）和 (Y_i(0))（未接受干预）。实际观测到的仅为其中之一，反事实结果需通过统计建模或匹配推断。
2. 倾向得分匹配：通过估计个体接受干预的概率（倾向得分），将处理组与对照组中倾向得分相近的个体匹配，以模拟随机化，减少选择偏倚。
3. 双重差分法：利用处理组与对照组在干预前后的双重差异，消除不随时间变化的混杂因素，适用于面板数据或重复截面数据。
4. 工具变量法：引入外生工具变量（与干预相关但不直接影响结局），通过两阶段回归识别因果效应，尤其适用于存在未观测混杂的场景。
5. 因果森林与元学习：基于随机森林或集成学习框架，直接估计个体条件平均处理效应（CATE），捕捉异质性因果效应，适用于高维数据。

医学/神经科学应用场景

首都医科大学神经病学研究背景：针对“脑深部电刺激（DBS）对帕金森病患者运动功能的因果效应评估”。传统观察性研究中，由于患者接受DBS的时机、病情严重程度及药物依从性等混杂因素，直接比较DBS组与药物组易产生偏倚。研究团队采用反事实估计框架：首先利用倾向得分匹配平衡两组基线特征（如UPDRS-III评分、病程、左旋多巴等效剂量）；随后构建因果森林模型，估计每位患者接受DBS后的反事实运动功能改善值。结果显示，DBS对中晚期帕金森病患者（Hoehn-Yahr分期≥3）的运动波动改善具有显著正向因果效应（平均处理效应：UPDRS-IV评分降低4.2分，95%CI [3.1, 5.3]），且效应大小与丘脑底核靶点定位精度高度相关。此方法避免了传统回归分析的混杂偏倚，为个体化神经调控治疗提供了循证决策依据。