今天咱们进一步看因果推断的内容，做的业务多了以后你就发现，每当端到端的模型，一般不能解决你的认知问题，你做了一个端到端的模型，可能仅仅也就是是个模型，可能最重要的是你从这个事情中学到了什么？这个才能驱使你成为一个专家，行业专家。 所以多了解一些因果推断的内容是十分必要的，今天就来看看uplift建模方式。重新出发因果推断的建模大致为了解决以下几个问题。ITE: 单体的处置效应$$ITE=Y_{i}

不知道大家发现了没有，我们在谈论因果推断的时候往往都是构造一个随机环境，从而得到一个置信度较好的结果，但是因为种种原因，我们现实中能够提供随机环境的机会并不多，那么断点回归实际上就是提供了一种在非随机实验的环境下如何去做因果分析。因果推断的思路十分好理解，其实就是我们找到观测特征的那个临界点，观察临界点前后的结果变量的变化，从而起到了估计处置效应的作用。断点回归的理解我们来考虑这样一种场景，假设政

今天又要学习一种估计处置效应的方法，在讲解双重差分法的时候，我们先来看看单重差分法是怎么做的。单重差分法我们以一个例子来看看单重差分法

匹配方法的思路十分简单，它的基本原理就是找到可观测变量相同的情况下接受处置的个体和未被接受处置的个体，通过对比他们之间的差异从而计算处置效应。描述起来十分通俗易懂，但是实际操作的时候，它会有一些方法，接下来我们来看看这一章的内容。匹配方法的理解如果处置组和控制组的个体是随机分配的，那么它的估计应该是不存在差异的。换言之就是处置状态不受到可观测变量和不可观测变量的混淆影响。这里我们简单举例一个场景，

之前我们定义因果关系都是保证条件不变，因某个特定的解析变量的变化导致的被解释变量的变化，定义为因果效应，而实际的工作中，几乎是不会有这样的机会，我们面对的场景往往是一个动作做了以后，不知道如果这个时刻不做会取得如何的效果。这章咱们就要考虑一下这个因果推断的难题啦。潜在结果如果某个个体受到了处置行为，$D_$(例如服药),他的后果就是$Y_$,为$Y_(1)$,如果没有接受处置那么就是$Y_(0)$