《Utilising causal inference methods to estimate effects and strategise interventions in observational health data》

一、导语

在教育与社会科学研究中，我们常常面临一个现实困境：由于预算或者是伦理问题，无法开展随机实验，只能用观察数据，却又希望回答“某种教学或干预是否真正有效”这一因果问题。

来自 PLOS ONE 的这篇研究，提供了一种前沿解决方案——将因果推断与机器学习相结合，在观察数据中识别干预效果，并进一步优化干预策略。

而且，这篇文章不仅回答“是否有效”，还回答了：“对谁最有效？”以及“如何更精准地实施干预？”

二、方法的基本信息

该研究基于因果推断（Causal Inference）框架，结合机器学习方法，提出了一种在观察数据中估计干预效果的分析路径。其核心包括三个层次：

• 平均处理效应（ATE）：整体上干预是否有效
• 条件处理效应（CATE）：不同人群效果是否不同
• 干预策略优化：如何分配干预以获得最佳效果

2. 独特价值

与传统统计方法相比，该方法具有三点突出优势：

• 突破相关性分析局限： 从“变量相关”走向“因果解释”
• 识别个体差异（异质性）：不再只关注平均效果，而是关注“谁受益更多”
• 支持决策优化：不只是解释现象，还能指导“如何实施干预”

3. 关键产出

• 提供了一套基于因果树与因果森林的分析框架
• 实现了从数据中自动识别“高收益人群”
• 构建了最优干预策略模型

👉 实质上，这是从描述研究走向决策研究的重要一步。

三、方法的操作过程

1. 应用原则

该方法主要适用于：

• 无法开展随机实验（RCT）的研究情境
• 存在混杂变量（confounding）的观察数据
• 需要分析“差异化效果”的问题

2. 操作步骤

Step 1：明确变量与数据结构（研究准备）

• 收集观察数据（包含处理变量、结果变量、协变量）
• 明确“干预（treatment）”与“结果（outcome）”

Step 2：控制混杂变量，估计总体效果（ATE）

由于观察数据中“谁接受干预”不是随机的，会产生偏差，因此需要先进行调整。

• 使用AIPW方法（双重稳健估计），同时结合结果模型和倾向得分模型：消除混杂变量影响，使“干预组”和“对照组”更可比
• 输出结果：ATE（平均处理效应）， 来回答：“总体来看，干预是否有效？”

Step 3：分析不同人群的效果差异（CATE）

在得到整体效果之后，进一步分析：不同人群，效果是否不同？

（1）因果树（Causal Tree）

• 自动根据数据对人群进行分组
• 分组标准：让“不同组之间的效果差异最大”

👉 结果：得到不同子群体的效果（CATE）

（2）因果森林（Causal Forest）

• 构建多个因果树并进行平均
• 类似“随机森林”的思想

👉 优势：结果更稳定、可以估计个体层面的效果

Step 4：制定最优干预策略（Policy Learning）

在知道“谁更有效”之后，进一步解决一个更实际的问题：资源有限时，应该优先干预谁？

（1）非参数策略（基于效果筛选）

• 只对“预测有效的人群”实施干预

👉 特点：简单直接，效果最好

（2）参数策略（基于决策规则）

• 用决策树生成“干预规则”（例如：某类学生优先干预）

👉 特点：更容易解释、更适合实际应用

👉 最终输出：
比较不同策略下的整体效果，选择最优方案

四、方法的应用启示

1. 适用情境

• 教学实验（如不同教学方法效果比较）
• 教育政策评估
• 心理或行为干预研究
• 医疗与公共健康研究

2. 对教育研究的启发

（1）从平均效果走向差异化效果

在以往的教育研究中，大家往往关注某种教学方法整体是否有效，比如比较实验班和对照班的平均成绩差异。但这篇研究提醒我们，真实情况往往更复杂，不同学生对同一种教学方式的反应可能差别很大。因此，在开展教学实验时，可以不只停留在整体比较上，还可以进一步分析不同类型学生的变化情况，比如基础较弱和基础较好的学生是否受益不同。这样的分析更贴近真实教学情境，也更有助于理解教学效果的内在机制。

（2）让观察数据也能更可靠地支持结论

在教育研究中，很难做到完全随机分组，很多时候只能依赖已有数据来进行分析。但这样容易受到学生背景差异的影响，导致结论不够可靠。这篇研究提供了一种思路，通过倾向得分和AIPW等方法，对数据进行调整，让不同组之间更具有可比性。对我们来说，这意味着即使是在自然班级或真实课堂环境中开展研究，也可以通过合理的方法提升分析的严谨性，让研究结果更有说服力。

（3）从评估效果走向改进教学决策

很多研究做到最后，往往只是得出某种方法是否有效的结论，但很少进一步思考如何用这些结果指导实际教学。这篇研究更进一步，通过分析不同人群的效果差异，提出可以把资源优先用在更可能受益的对象上。这一点对教学很有启发，比如在课堂中，可以根据学生特点进行更有针对性的支持，而不是采用完全一致的教学方式。这样不仅能提高教学效率，也更符合因材施教的理念。

3. 值得进一步讨论的问题

欢迎大家思考和讨论👇

• 在教育研究中，如何界定“处理变量”（treatment）？
• 因果推断方法对样本量有什么要求？
• 在小样本教学实验中，是否适合使用因果森林？
• 如何将该方法与课堂实际教学结合？

五、论文基本信息

APA格式：Duong, B., Senadeera, M., Nguyen, T., Nichols, M., Backholer, K., Allender, S., & Nguyen, T. (2024). Utilising causal inference methods to estimate effects and strategise interventions in observational health data. PLOS ONE, 19(12), e0314761.

标签：因果推断 观察性研究 机器学习 教育量化研究 异质性分析 精准干预

源文档：通过网盘分享的文件：journal.pone.0314761.pdf 链接: https://pan.baidu.com/s/19WevNBkfxR7GPuW6CzW8pg?pwd=67es 提取码: 67es