因果推理 · 2/6
寻找共同原因：差异可能来自组成人员
识别干预之前的共同原因，比较总体与分层结果。
约 15–20 分钟。以下为虚构教学情境。
先记录你的判断
AI 使用者有 80% 是熟练员工，不使用者只有 20%。熟练员工不论是否使用 AI 都完成 14 项，新手都完成 6 项。总体比较会怎样？
理解判断过程
熟练度发生在工具使用之前，既可能影响是否使用工具，也影响完成量，因此是一个候选混杂因素。假设图可以写成“熟练度 → 工具使用”和“熟练度 → 完成量”；箭头依然需要背景知识支持。
使用者均值为 0.8×14+0.2×6=12.4；非使用者为 0.2×14+0.8×6=7.6。总体差 4.8 项，而两个熟练度层内都没有差异。下方交互只改变组成人员，组内表现保持不变。
分层能处理已测量、定义恰当的共同原因，不能保证消除所有混杂。不要机械控制所有变量：干预后的中间结果可能是效果的一部分；按某些共同结果筛选也可能引入偏差。
改变构成，差异会怎样？
熟练员工每天 14 项，新手 6 项，两组层内表现相同。启用 JavaScript 可调整比例；80% 对 20% 时均值分别为 12.4 与 7.6，50% 对 50% 时均为 10。
可执行的检查步骤
- 画出干预、结果和候选共同原因。
- 检查共同原因是否在干预之前。
- 分别查看各层人数及结果。
- 用相同权重比较，并记录仍未测量的因素。
引导练习
两组均调整为熟练与新手各占 50%，平均完成量分别是多少？能据此断言现实世界的 AI 没有效果吗？
查看参考解析
两组都是 10 项。在这个刻意设定的教学模型里，差异来自构成；不能外推到真实工具。现实还可能有工作难度、动机等未测量因素。
换个场景独立应用
参加社团的人平均成绩更高，但入社前成绩也更高。写出一个共同原因和一种改进比较。
完成后对照参考
既有学习习惯可能同时影响加入社团与成绩。比较入社前水平相近的学生、记录同期变化；仍不能仅靠匹配排除未测量动机。
保留修正记录
这是确定性的合成模型，没有抽样误差；调整结果不会自动成为因果估计。
自查：是否写了可检查的依据、可行的下一步和修改条件？点击解析不代表掌握。
来源与适用边界
Hernán & Robins — Causal Inference: What If (chapters 1–3, 7–8)
研究提供概念或方法背景；上述案例、操作步骤和练习由本站编写，不是原研究实验，也未验证本课程的教学效果。
完成标记是个人记录，不代表掌握或认证。