绘制因果关系解读

简介

本实验表明，机器学习模型非常适合用于衡量统计关联，但如果不对数据做出强有力的假设，就无法推断因果效应。我们将模拟一种情况，尝试回答教育经济学中最重要的问题之一：获得大学学位对时薪的因果效应是什么？尽管这个问题的答案对政策制定者至关重要，但遗漏变量偏差使我们无法确定这种因果效应。

虚拟机使用提示

虚拟机启动完成后，点击左上角切换到“笔记本”标签页，以访问Jupyter Notebook进行练习。

有时，你可能需要等待几秒钟让Jupyter Notebook完成加载。由于Jupyter Notebook的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，随时向Labby提问。课程结束后提供反馈，我们会立即为你解决问题。

Skills Graph

生成数据集

我们生成了一个关于时薪、工作经验、能力、父母时薪和大学学位的模拟数据集。工作年限和能力指标是从正态分布中抽取的。父母一方的时薪是从贝塔分布中抽取的。我们创建了一个大学学位指标，它受到能力和父母时薪的正向影响。最后，我们将时薪建模为所有先前变量和一个随机成分的线性函数。

使用完全观测变量训练预测模型

我们假设真实生成模型所使用的所有变量都可用，在此基础上训练一个预测模型——线性回归模型。我们使用工作经验、父母时薪、大学学位和能力等特征来预测时薪。我们还绘制了模型系数，以表明我们准确地恢复了真实生成模型的值。

使用部分观测值训练预测模型

我们再次训练一个预测模型，但这次我们省略了能力特征，因为该特征无法观测到，或者只能从也无意中衡量了教育程度的代理变量（例如通过智商测试）中进行估计。我们再次使用工作经验、父母时薪和大学学位等特征来预测时薪。然后我们检查模型的系数是否与真实生成模型不同。为了补偿遗漏的变量，模型会夸大大学学位特征的系数。因此，将这个系数值解释为真实生成模型的因果效应是不正确的。

经验教训

机器学习模型并非为估计因果效应而设计。虽然我们用线性模型展示了这一点，但遗漏变量偏差（OVB）可能会影响任何类型的模型。每当解释一个系数或因某个特征的变化而导致的预测变化时，务必牢记可能存在的未观测变量，这些变量可能与所讨论的特征和目标变量都相关。此类变量被称为混杂变量。为了在存在混杂因素的情况下仍能估计因果效应，研究人员通常会进行实验，在实验中对处理变量（例如大学学位）进行随机化处理。当实验成本过高或不符合伦理道德时，研究人员有时可以使用其他因果推断技术，如工具变量（IV）估计。

总结

本实验表明，机器学习模型并非为估计因果效应而设计。遗漏变量偏差使我们无法确定一个特征对目标变量的真正因果效应。每当解释一个系数或预测的变化时，务必牢记可能存在的未观测变量，这些变量可能与所讨论的特征和目标变量都相关。