随机对照试验 (RCT) 和其他精心设计的统计实验是解答因果关系问题的黄金标准。将实验单位（例如临床试验中的参与者）随机分配到治疗组和对照组，可以平衡两组之间的差异，从而最大限度地减少两组之间出现实质性差异的可能性，除非这些差异是由任何干预措施造成的。在这种情况下，平均因果效应可以通过计算两组之间平均结果的差异来简单估算。
然而，研究人员常常想研究一个变量对另一个变量的影响，但却不会（或无法）随机分配参与者到特定的干预水平。如何利用观察性或偶然性数据（而非 RCT 数据）来衡量暴露对结果的影响？
这就是因果推断的用武之地。因果推断是一系列概念和方法的集合，用于帮助确定何时以及如何从观察数据中得出因果结论。假设你的研究问题是：“与对照组相比，一种新的治疗方法在降低胆固醇方面有多大程度的有效？” 如果你只有观察数据（比如从保险索赔数据库中测得的数据），你会用什么方法来回答这个问题？
您可能决定使用简单线性回归或t检验来确定治疗组和对照组的胆固醇水平是否存在显著差异。然而，低脂饮食的受试者可能既不太可能接受新疗法，也不太可能患上高胆固醇，而高脂饮食的受试者接受新疗法的频率更高，胆固醇水平也更高。因此，如果不考虑饮食因素，您可能会得出新疗法效果不佳的结论。饮食等混杂因素常常会诱发伪相关性，因此这些简单的分析很容易导致非常有偏差的结果，实际上并没有回答因果关系的问题。
相反，你需要进行因果推断。换句话说，你需要一些额外的假设，以便将数据的函数转化为因果估计。以下三个假设通常足以进行因果推断：
- 阳性：每个观察结果都有接受各个级别治疗的正概率。
- 一致性：接受相同程度治疗的每个人都会经历相同的治疗。
- 条件可交换性：所有影响治疗和结果之间关系的变量都会被测量，这意味着在存在混杂因素的情况下，各组是“可交换的”。
当这些假设满足时，就可以从观察数据中估计因果效应。估计方法利用混杂因素的信息来“平衡”不同的组，就像在随机对照试验（RCT）中数据收集后所做的那样。更多详细信息，请参阅如果什么 ，这是一个优秀的免费资源，可以帮助你了解更多关于因果假设和估计量的信息（Hernán & Robins，2020）。
要在 JMP 中使用观察数据估计因果效应，请使用全新的“因果处理”功能。请参考以下工作流程，进行周全的因果分析：
Figure 1. An example DAG from Dong et al. (2025).图 1. Dong 等人 (2025) 的 DAG 示例。
1. 绘制一个有向无环图（DAG）来表示数据生成过程。
DAG 有指向箭头，显示哪些变量是原因，哪些变量是结果。DAG 是非循环的，这意味着如果你沿着箭头的方向沿着路径走，你永远不会回到你开始的那个变量。绘制 DAG 可以帮助你对变量进行分类，并识别混杂因素。.
2.考虑这三个假设是否得到满足。
是否存在一个从未在治疗组中出现的协变量特征？你的治疗方案定义得清楚吗？你是否知道哪些混杂因素尚未被测量？
3. 选择一个估计量。
因果处理个性提供了不同的方法来估计因果效应，具体取决于处理变量的类型和用户指定的模型。
4. 解释结果。
如果满足三个因果假设，则平均治疗效果可以解释为整个人群接受一种干预措施与另一种干预措施的结果平均差异。
除了“拟合模型因果处理”特质外，JMP 还提供结构方程模型和 XGBoost 等平台，可用于估计因果效应 (Dong 等人，2025)。无论您的经验水平如何，“因果处理”特质都是从数据中估计因果效应的简单起点。它直接输出一些最常见且稳健的因果估计值，并提供可视化效果来评估因果假设。
本博客与 Safiya Sirota ( @safiya_jmp ) 共同撰写，她在 JMP 实习期间为这项工作做出了贡献。
参考
Dong M, Castro-Schilo L, Wolfinger R (2025).使用结构方程模型、倾向评分和机器学习在 JMP Pro 中对观察数据进行因果推断 . [手稿正在准备中]。
Hernán MA, Robins JM (2020).因果推断：假设。博卡拉顿：Chapman & Hall/CRC
