隨機對照試驗 (RCT) 和其他精心設計的統計實驗是解答因果關係問題的黃金標準。將實驗對象（例如臨床試驗中的參與者）隨機分配到治療組和對照組，可以平衡兩組之間的差異，從而最大限度地減少兩組之間出現實質差異的可能性，除非這些差異是由任何干預措施造成的。在這種情況下，平均因果效應可以透過計算兩組之間平均結果的差異來簡單估算。
然而，研究者常常想探究一個變項對另一個變項的影響，但卻不會（或無法）隨機分配參與者到特定的介入程度。如何利用觀察性或偶然性資料而非 RCT 資料來衡量暴露對結果的影響？
這就是因果推論的用武之地。因果推論是一系列概念和方法的集合，用於幫助確定何時以及如何從觀察數據中得出因果結論。假設你的研究問題是：「與對照組相比，一種新的治療方法在降低膽固醇方面有多大程度的有效？」 如果你只有觀察數據（例如從保險索賠資料庫中測得的數據），你會用什麼方法來回答這個問題？
您可能決定使用簡單線性迴歸或t檢定來確定治療組和對照組的膽固醇水平是否有顯著差異。然而，低脂飲食的受試者可能既不太可能接受新療法，也不太可能患上高膽固醇，而高脂飲食的受試者接受新療法的頻率更高，膽固醇水平也更高。因此，如果不考慮飲食因素，您可能會得出新療法效果不佳的結論。飲食等混雜因素常常會誘發偽相關性，因此這些簡單的分析很容易導致非常有偏差的結果，實際上並沒有回答因果關係的問題。
相反，你需要進行因果推論。換句話說，你需要一些額外的假設，以便將資料的函數轉換為因果估計值。以下三個假設通常足以進行因果推論：
- 陽性：每個觀察結果都有接受各個層級治療的正機率。
- 一致性：接受相同程度治療的每個人都會經歷相同的治療。
- 條件可交換性：所有影響治療和結果之間關係的變數都會被測量，這意味著在存在混雜因素的情況下，各組是「可交換的」。
當這些假設滿足時，就可以從觀測資料中估計因果效應。估計方法利用混雜因素的資訊來「平衡」不同的組別，就像在隨機對照試驗（RCT）中資料收集後所做的那樣。更多詳細信息，請參閱如果什麼 ，這是一個優秀的免費資源，可以幫助你了解更多關於因果假設和估計量的信息（Hernán & Robins，2020）。
若要在 JMP 中使用觀察資料估計因果效應，請使用全新的「因果處理」功能。請參考以下工作流程，進行周全的因果分析：
Figure 1. An example DAG from Dong et al. (2025).圖 1. Dong 等人 (2025) 的 DAG 範例。
1. 繪製一個有向無環圖（DAG）來表示資料產生過程。
DAG 有指向箭頭，顯示哪些變數是原因，哪些變數是結果。 DAG 是非循環的，這意味著如果你沿著箭頭的方向沿著路徑走，你永遠不會回到你開始的那個變數。繪製 DAG 可以幫助你對變數進行分類，並識別混雜因素。.
2.考慮這三個假設是否得到滿足。
是否存在一個從未在治療組中出現的協變量特徵？你的治療方案定義得清楚嗎？你是否知道哪些混雜因素尚未被測量？
3. 選擇一個估計量。
因果處理個性提供了不同的方法來估計因果效應，取決於處理變數的類型和使用者指定的模型。
4. 解釋結果。
如果滿足三個因果假設，則平均治療效果可以解釋為整個人群接受一種幹預措施與另一種幹預措施的結果平均差異。
除了「擬合模型因果處理」特質外，JMP 還提供結構方程模型和 XGBoost 等平台，可用於估計因果效應 (Dong 等人，2025)。無論您的經驗程度為何，「因果處理」特質都是從資料中估計因果效應的簡單起點。它直接輸出一些最常見且穩健的因果估計值，並提供視覺化效果來評估因果假設。
本部落格與 Safiya Sirota ( @safiya_jmp ) 共同撰寫，她在 JMP 實習期間為這項工作做出了貢獻。
參考
Dong M, Castro-Schilo L, Wolfinger R (2025).使用結構方程模型、傾向評分和機器學習在 JMP Pro 中對觀察資料進行因果推斷 . [手稿正在準備中]。
Hernán MA, Robins JM (2020).因果推論：假設。博卡拉頓：Chapman & Hall/CRC
