因果推断
Parent: ai_keywords
因果推断
核心定义
因果推断（Causal Inference）是从观察或实验数据中识别变量间因果效应而非仅统计关联的方法论，其目标回答“如果改变X，Y会如何变化”的反事实问题。核心框架包括潜在结果模型（Rubin Causal Model）与结构因果模型（Pearl’s Do-calculus），两者通过干预操作（do-operator）和反事实逻辑将哲学因果观转化为可计算路径。
关键技术点
- 潜在结果框架：每个个体存在多重潜在结果（如接受治疗/未接受治疗），实际观测值仅其一。因果效应定义为个体水平结果差值的期望，需依赖可忽略性假设（条件独立性）处理混杂。
- 结构因果模型（SCM）：用有向无环图（DAG）编码变量间因果结构，通过后门准则、前门准则选择调整变量集，利用do-操作符模拟干预，实现非参数可识别性。
- 工具变量（IV）：解决不可观测混杂的关键策略——找到影响处理变量但不直接影响结局的变量（如随机鼓励），通过二阶段回归提取外生变异。
- 双重差分（DID）：面板数据中处理组与对照组在干预前后的变化差异，消除时间趋势等固定混杂，要求平行趋势假设成立。
- 反事实推理与中介分析：基于SCM分解总效应为直接效应与间接效应（中介路径），广泛应用于机制探索。
医学/神经科学应用场景
脑卒中后运动功能康复的因果效应评估（首都医科大学宣武医院神经康复中心背景）
问题：镜像疗法（干预T）是否通过增强初级运动皮层（M1）可塑性介导上肢功能恢复（Y）？
方案：①构建SCM，包含年龄、病变部位（混杂C）、治疗依从性（工具变量Z，如随机分组）；②采用工具变量双重差分——以随机分组作为Z，利用DID消除随时间变化的混杂（如自然恢复）；③借助因果中介分析分解总效应：T→M1激活强度（血氧水平依赖信号，M）→Y。结果揭示：30%的康复效应由M1可塑性介导，验证了“镜像疗法-皮层重塑-功能改善”的因果链条，指导精准康复方案设计（如高频TMS协同干预M1）。该方法同样适用于癫痫发作起源灶的因果定位（利用颅内脑电构建Granger因果图）及帕金森病深部脑刺激靶点的效应验证。
