真实面经题目 · 原创解析
因果推断中，无法获取随机对照数据时如何估计因果效应？
没有随机对照数据时估计因果效应，需要用观察数据方法尽量构造可比组。常见思路包括倾向评分、匹配、分层、回归控制、DID、工具变量、断点回归、DML 和敏感性分析，但结论可信度依赖假设。
出现于 2 个公司岗位
01
60 秒回答模板
没有 RCT 时，我会先明确 treatment、outcome、时间窗口和可能混淆变量；然后画因果图判断偏差来源。若可观测混淆比较充分，可以用回归控制、倾向评分匹配、IPW、分层或 DML 估计处理效应；如果有政策变化或自然实验，可以考虑 DID、断点回归或工具变量。最后一定要做平衡性检查、安慰剂检验、敏感性分析和线上小流量验证，因为观察数据方法依赖更强假设，不能当作随机实验。
考点 先定义 treatment
难度 算法岗真实面经题
回答目标 讲清方法、取舍和追问
02
深入解析
先定义因果问题
要明确 treatment 是什么、outcome 如何衡量、观察窗口多长、样本进入机制是什么。没有清晰问题定义，后续方法只是在相关性上做复杂建模。
识别偏差来源
观察数据没有随机分配，实验组和对照组可能在用户活跃度、历史偏好、渠道和时间趋势上不同。需要用因果图列出可观测混淆、不可观测混淆和选择偏差。
构造可比组
如果混淆变量可观测，可以用倾向评分匹配、IPW、分层、回归控制或双重稳健方法，让处理组和对照组在关键特征上更可比，再估计平均处理效应。
利用准实验
如果存在政策变更、阈值规则或外生冲击，可以考虑 DID、断点回归或工具变量。这些方法不要求完全随机，但各自有平行趋势、阈值附近可比或工具变量有效性等假设。
验证和敏感性分析
需要检查匹配后平衡性、共同支撑、处理前趋势、安慰剂 outcome 和不同模型设定下结果是否稳定。观察数据估计最好作为决策依据之一，再用小流量实验验证关键结论。
03
易错点
- 不要把相关性模型输出直接解释成因果效应。
- 不要忽略不可观测混淆，匹配只能处理已观测变量。
- 不要使用 DID 却不检查处理前趋势。
- 不要只报一个点估计，必须给出假设、置信区间和稳健性检查。
04
面试官追问
倾向评分匹配的核心假设是什么？
核心是假设在控制可观测变量后，处理分配近似随机，也就是没有未观测混淆。同时还需要处理组和对照组有共同支撑区域。
DID 适合什么场景？
适合有政策或产品变更，并且能找到受影响组和未受影响组的场景。关键假设是没有处理时两组会保持平行趋势。
为什么观察数据估计不能等同 RCT？
观察数据方法依赖可观测混淆充分、模型设定合理或准实验假设成立。不可观测偏差可能仍存在，因此需要敏感性分析和后续实验验证。
