2025年大学《统计学》专业题库- 因果推断在统计学中的重要性

2025年大学《统计学》专业题库——因果推断在统计学中的重要性考试时间：______分钟总分：______分姓名：______一、选择题（每题3分，共15分。请将正确选项的首字母填入括号内。）1.以下哪项是区分相关性研究和因果关系研究的核心标准？(A)数据的量级大小(B)研究对象的学科领域(C)是否能够建立数学模型(D)是否能观察到变量间的反事实关系2.潜在结果框架（PotentialOutcomesFramework）的核心思想是引入什么概念来比较不同处理下的结果？(A)概率分布(B)混淆变量(C)反事实（Counterfactual）(D)随机误差3.在随机对照试验（RCT）中，随机化主要保证了什么？(A)处理组与对照组在研究开始时的结果完全相同(B)处理组与对照组具有可比的统计特征(C)处理效果是确定的(D)研究者无法预知试验结果4.双重差分法（DID）的主要假设之一是平行趋势假设，这意味着什么？(A)处理组和控制组在处理政策实施前后的结果趋势完全一致(B)处理组在政策实施后的结果显著高于控制组(C)只有处理组接受了政策干预(D)政策效果是瞬间的，没有持续性5.当存在内生性偏误时，使用普通最小二乘法（OLS）估计的处理效应通常会被低估还是高估？(A)总是低估(B)总是高估(C)可能低估也可能高估，取决于内生方向(D)与内生性无关二、简答题（每题7分，共35分。请简洁明了地回答下列问题。）6.请简述“混淆”（Confounding）的概念，并举例说明一个研究中的混淆偏误。7.什么是反事实（Counterfactual）？为什么在因果推断中它如此重要？8.请解释随机对照试验（RCT）的三个主要有效性条件，并简要说明违反这些条件可能导致什么问题。9.断点回归设计（RDD）的局部均一性（LocalHomogeneity）假设是什么意思？它在实践中通常如何进行检验？10.请比较工具变量法（IV）与双重差分法（DID）在应对选择性偏误方面的异同点。三、计算与推导题（共15分。请展示必要的推导过程和计算步骤。）假设一项研究旨在评估一项新教学方法（处理）对学生考试成绩的影响。研究者随机将学生分为处理组（接受新方法）和控制组（接受传统方法）。收集了政策实施前后的考试成绩数据。政策实施前的平均考试成绩如下：处理组为80分，控制组为78分。政策实施后的平均考试成绩如下：处理组为85分，控制组为80分。请使用双重差分法（DID）估计新教学方法对考试成绩的平均处理效应（ATE），并简要解释你的计算过程及所依据的平行趋势假设。四、论述与分析题（共30分。请结合相关理论和方法，深入、清晰地回答下列问题。）11.在一项旨在评估某项职业培训项目对受训者收入影响的研究中，研究者发现接受培训的组别在培训后的平均收入显著高于未接受培训的组别。请分析可能导致这种“结果”出现的原因（即潜在的混淆因素或偏误来源）。然后，讨论研究者可以采用哪些因果推断方法来更准确地估计培训项目的真实效果，并简要说明这些方法的关键假设和潜在局限性。试卷答案一、选择题1.(D)2.(C)3.(B)4.(A)5.(C)二、简答题6.混淆是指当存在一个与处理变量（X）相关，并且也影响结果变量（Y）的第三个变量（Z）时，X和Y之间的关联并非纯粹的因果关系，而是受到了Z的干扰。这种由于混淆因素的存在而导致的对因果效应的估计偏差称为混淆偏误。例如，研究吸烟（X）与肺癌（Y）的关系时，空气污染（Z）可能既与吸烟习惯相关（吸烟者可能更常暴露于污染），也与肺癌风险相关，空气污染就是混淆变量。7.反事实（Counterfactual）是指在一个个体实际经历了某个处理（或未处理）的情况下，该个体在未经历该处理（或实际经历另一处理）情况下可能产生的结果。在因果推断中，我们通常无法直接观察到同一个体在不同处理下的结果，但通过研究设计或统计方法，我们可以尝试估计这个反事实结果。反事实是因果推断的基石，因为因果关系本质上是在比较“做了某事”与“没做某事”之间的差异，而这种差异正是通过反事实思维来构建和估计的。8.随机对照试验（RCT）的三个主要有效性条件是：*随机化（Randomization）：研究对象被随机分配到处理组或控制组，确保在随机化开始时，两组在所有已知和未知的协变量上具有相似的分布，从而使得组间比较可以排除混杂因素的影响。*无处理组（NoTreatmentGroup）：必须有一个不接受主要处理（干预）的对照组，以便有参照点来比较处理的效果。*可忽略的违背盲法（IgnorabilityofViolations）：指研究者或参与者无法确定个体是否接受了处理（即研究设计具有盲法），且这种不确定性对结果测量没有实质性影响。这可以防止处理分配偏差和测量偏差。*违反这些条件可能导致：混淆偏误（如果随机化不完美或违反了ignorability条件）、选择偏误（如果缺少对照组或随机化失败）、测量偏误（如果违反了ignorability条件导致测量不一致）等，从而使得估计的处理效应不准确或不可靠。9.断点回归设计（RDD）的局部均一性（LocalHomogeneity）假设是指，在断点（cutoff）附近的一个小邻域内，处理变量（X）对结果变量（Y）的影响（即边际效应）是恒定的，即处理组和控制组在断点附近的结果趋势是平行的。换句话说，断点本身就像一个“自然实验”，在断点两侧的因果效应（处理效应）被认为是相同的。实践中通常如何检验：可以通过绘制结果变量关于处理变量的密度图，观察在断点附近密度图是否呈现“阶梯状”变化；或者通过断点回归模型，检验断点处的边际效应是否显著异于零，并关注模型中处理变量与断点交互项的系数及其显著性。10.工具变量法（IV）与双重差分法（DID）在应对选择性偏误方面的异同点：*相同点：两者都可以用于估计处理效应，并且都能在一定程度上缓解由不随机制随机分配（即内生性）导致的选择性偏误。两者都依赖于某些形式的平行趋势假设或条件。*不同点：*适用场景：IV主要适用于处理变量是内生的场景，且需要找到一个有效的工具变量（外生变量）满足相关性和外生性条件。DID主要适用于随机分配的处理，且需要满足平行趋势假设。*对混淆因素的假设：IV的工具变量必须外生，即工具变量只能通过影响处理变量来间接影响结果，不能直接影响结果（或影响必须通过处理变量）。DID的平行趋势假设要求处理组和控制组在政策实施前后，结果变量随其他因素变化的趋势必须一致，这隐含了其他因素影响结果的方式在两组中是相同的。*数据要求：IV通常需要处理变量是二元（接受/不接受）的，或者至少有清晰的分配机制。DID需要政策实施前后的结果数据。三、计算与推导题估计过程：DID估计量=处理组后-处理组前-(控制组后-控制组前)DID估计量=85-80-(80-78)DID估计量=5-2DID估计量=3计算结果：新教学方法对考试成绩的平均处理效应（ATE）估计为3分。推导过程及假设：该估计量基于双重差分法的核心思想：通过比较处理组的变化量（85-80=+5分）与控制组的变化量（80-78=+2分）的差值，来剥离掉共同的外部因素（如时间趋势、环境变化等）对结果的影响，从而得到由处理本身（新教学方法）引起的平均效果。此估计依赖于平行趋势假设，即假设在政策（新教学方法）实施之前，处理组和控制组的考试成绩变化趋势是平行的。这意味着，如果没有新教学方法，处理组的成绩变化率应该与控制组相同。如果这个假设不成立，那么估计出的3分就可能包含了违反假设的部分共同趋势，导致结果有偏。四、论述与分析题可能导致“结果”出现的原因分析：研究者发现接受培训组平均收入高于未接受培训组，这种“结果”可能是由以下原因造成的，这些原因都指向了混淆偏误或选择偏误：1.混淆变量（Confounding）：可能存在一些未观测到的因素（混淆变量Z）同时影响个体是否选择接受培训（X）以及个体的收入水平（Y）。例如：*个体能力/积极性：能力更强或更渴望提高收入的个体可能更倾向于参加培训。这些个体即使不参加培训，其收入增长也可能更快。*职业前景：培训项目可能集中在某些本身就收入潜力较高的行业或领域。在这些领域工作的个体，收入较高并非仅因为培训，而是因为行业本身的特点。*工作经验：可能是工作经验更长的个体更容易获得参加培训的机会，而工作经验本身与收入正相关。*社会经济背景：来自社会经济地位较高的家庭可能更容易负担培训费用，并且这些个体本身就可能拥有更高的收入起点或发展机会。2.选择偏误（SelectionBias）：如果培训项目不是完全开放报名，而是有筛选机制，或者参与培训需要支付费用而未参与者不支付，那么选择参加培训的群体可能在某些未被观察到的维度上就与未参加者不同，导致收入差异并非由培训引起。3.时间趋势：可能存在一个整体的经济增长或行业发展趋势，使得所有参与者的收入都在上升，接受培训的群体恰好因为某种原因（如培训项目声誉较好吸引了更多资源）经历了稍微更快的增长。因果推断方法讨论：为了更准确地估计培训项目的真实效果（即培训本身对收入的影响），研究者可以采用以下因果推断方法：1.随机对照试验（RCT）：如果有可能，最理想的方案是设计一个RCT，随机分配参与者接受培训或不接受培训。随机化保证了在平均意义上，处理组（接受培训）和控制组（未接受培训）在所有基线特征（包括上述混淆变量）上是大致可比的，从而可以更有信心地将两组的收入差异归因于培训本身。RCT是估计因果效应的“黄金标准”。2.双重差分法（DID）：如果没有RCT数据，且存在一个自然的政策干预（如政府提供补贴使得培训变得免费、某个地区强制推行培训政策而邻近地区没有），可以使用DID方法。DID通过比较培训政策实施前后，培训组相对于控制组的收入变化差异，来试图控制掉随时间变化的共同因素。关键在于平行趋势假设的满足，即假设在政策实施前，两组的收入增长趋势是平行的。可以通过绘制政策实施前后的收入趋势图或进行统计检验来评估此假设。3.断点回归设计（RDD）：如果存在一个明确的资格线（如收入水平、工作年限等），满足该资格线的个体可以参加培训，不满足的则不能。可以使用RDD方法。RDD利用资格线附近的“自然实验”性质，假设在资格线附近，是否获得培训主要取决于随机因素或微小的差异，且处理效应在资格线两侧是相同的。通过估计资格线穿越点两侧的边际效应差异来估计培训效果。关键在于局部均一性假设，即处理效应在资格线附近是恒定的。4.工具变量法（IV）：如果研究者能够找到一个与是否参加培训相关，但与收入水平不直接相关（仅通过培训变量相关）的外生变量（工具变量W），可以使用IV方法。例如，如果培训项目的报名截止日期附近恰好发生了一个随机的事件（如邻县的类似项目突然取消），导致某些个体因该事件而无法赶上报名截止日期，这个事件可以作为工具变量。IV估计量需要满足工具变量的相关性和外生性条件。寻找有效的工具变量往往比较困难。5.倾向得分匹配/加权（PropensityScoreMatching/Weighting）：这类方法是准实验方法，不依赖很强的平行趋势假设，但需要满足条件独立性假设，即给定个体的一系列观测到的特征（Xi），个体接受处理的概率（P(Xi)=1）只取决于这些特征，而与是否接受处理无关。通过匹配具有相似特征分布的接受培训者和未接受培训者，或对参与者进行加权，使得处理组和控制组在观测到的特征上变得可比，从而估计平均处理效应。这类方法主要用于处理选择偏误，对于混淆偏误（未观测到变量）的效果有限。关键假设和潜在局限性：*RCT：假设随机化成功；可能存在伦理问题或实施困难；需要长期追踪以评估