因果分析

identification：将因果关系从关联中分割
estimation：计算因果关系的大小
inference：基于统计的推断（有多大的信心结果是正确的Hypothesis testing，结果会存在多大的波动Confidence interval）
流派：
- Potential Outcome Model：个体i的因果效应 $\tau _{i}=Y_{i}(1)-Y_{i}(0)$ ，因为真实世界不存在平行宇宙， $Y_{i}(1)$ (个体受到效用后的结果)或 $Y_{i}(0)$ (个体未收到效用后的结果)只有一个可以被观测到，所以需要构造合适的对照组来模拟这种情况，即counterfactual
- Graph Causal Model：

A/B testing:
Matching：
- CEM
- PSM
Fixed Effect
Difference-in-differences：
- 是一种特殊的固定效应模型，模型简单，基本不需要算法拟合
- 核心假设：Parallel Trend
- 指标差异拆分为trend和treatment带来的差异两部分，通过平行趋势检验，利用对照组政策前后的波动差异来量化trend，从而剥离出treatment带来的独立影响（类似于“AB差异-AA差异=真实策略差异”的思想）
Synthetic Control:
- 对实验组在实验日期之后构造一个虚拟的对照组
- 由于该方法对内生性控制方面的扩展不足, 比较适合外生事件的分析。内生事件的分析推荐用PSM
- 不适用于微观数据分析，原因有：不存在十年以上的微观数据（比如说追踪调查）；该方法不适用于参照组无限大的情况（比如说统计了上千家庭的微观截面数据）；即适合小样本量长时间跨度（matching+DID适合大样本量短时间跨度）
- 适用于“试点项目“
Matrix Completion

例子：一项新活动上线，评估该活动对用户价值的影响：

对比活动前后的用户价值：没有剥离前后两个时段的市场要素的差异；
对比参与活动的用户与未参与活动的用户：参与活动的用户大概率本事是忠实用户（选择偏差）；
AB实验：一组可以看到活动，一组看不到活动，对比两组用户：可以进一步筛选出可以看到活动的用户中参与了该活动的用户，此外如果参与该活动的渗透率低，可以考虑在看不到活动的组中做matching

Reference

因果分析的理论和应用