处理效应

处理效应（treatment effect）是因果推断的核心概念，用于描述干预措施对结果变量的真实影响。它的本质是比较同一研究对象在接受干预（处理组）与未接受干预（对照组）两种状态下的潜在结果差异，但由于同一对象无法同时处于两种状态，研究者需通过统计学方法构建反事实框架来估计这一效应。

个体处理效应（ITE）
针对单个研究对象，定义为其接受干预后的潜在结果 $Y^1$ 与未接受干预的潜在结果 $Y^0$ 之差，即 $\delta_i = Y_i^1 - Y_i^0$ 。由于“因果推断的根本问题”（无法同时观测同一对象的两种状态），ITE 无法直接计算。

平均处理效应（ATE）
总体层面的平均效应，即 $\text{ATE} = E[Y^1 - Y^0]$ ，表示干预对所有个体的平均影响。例如，若研究教育对收入的影响，ATE 为全体人口中多读一年书带来的平均收入增量。

处理组平均处理效应（ATT）
仅针对实际接受干预的群体，定义为 $\text{ATT} = E[Y^1 - Y^0 \mid D=1]$ ，其中 $D=1$ 表示个体接受干预。例如，在政策评估中，ATT 反映政策对受益群体的实际效果。

条件平均处理效应（CATE）
按协变量分层的平均效应，即 $\text{CATE} = E[Y^1 - Y^0 \mid X=x]$ ，用于分析干预效果在不同子群体（如不同年龄、性别）中的差异。例如，药物试验中需评估药效在老年与青年群体中的区别。

通过随机分配干预状态，使处理组与对照组在协变量分布上平衡，从而直接估计 ATE。此时，因为随机化消除了选择偏差。例如，新药临床试验通过随机分组确保两组患者特征相似<cite data-id='100