时序数据的因果推断

1/1时序数据的因果推断第一部分时序因果推断的概念与挑战 2第二部分观测性时序数据的因果识别方法 4第三部分实验性时序数据的因果推断设计 7第四部分时序混淆因素的控制与调整 9第五部分时序因果模型的识别与估计 11第六部分时序因果效应的评估与解释 13第七部分时序因果推断在真实场景的应用 16第八部分时序因果推断研究的最新进展与展望 18

第一部分时序因果推断的概念与挑战时序因果推断的概念

时序因果推断是确定时序数据中事件之间的因果关系的过程。它涉及调查一个事件（称为原因）是否导致另一个事件（称为结果）的发生，以及这种因果关系的强度。

时序因果推断的挑战

时序因果推断面临着独特的挑战，主要是由于：

*混杂变量：与原因和结果相关的其他变量可能会混淆关系，使得难以确定因果关系的真正方向。

*反向因果关系：结果也可能影响原因，导致观察到的相关关系成为双向关系。

*自相关性：时序数据通常具有时序依赖性，这意味着相邻时间点上的值相关。这可能导致虚假因果关系的出现。

*数据不足：有时，可用的数据不足以有力地支持或拒绝因果假说。

*延迟效应：原因和结果可能相隔一段时间，这使得识别因果关系变得困难。

克服这些挑战的策略

统计技术：

*回归分析：用于控制混杂变量并估计原因变量对结果变量的影响。

*格兰杰因果关系：用于检验时间序列之间的因果关系，同时考虑自相关性。

*贝叶斯网络：用于建模变量之间的因果关系，并考虑延迟效应。

实验设计：

*随机对照试验（RCT）：随机分配受试者到实验组和对照组，消除混杂变量并提供因果证据的最高级别。

*准实验：对没有随机分配的观察性研究采用类似RCT的原则，但可能受混杂变量的影响。

跨学科方法：

*内容分析：审查文本或其他非数字数据以识别因果关系。

*访谈和调查：收集个人对原因和结果之间关系的看法。

*专家知识：利用来自该领域的专家的知识来指导因果推断。

谨慎的解读

尽管采用了这些策略，但重要的是要谨慎地解释时序因果推断的结果。由于相关性本身并不能证明因果关系，因此需要考虑其他证据（例如理论基础、反驳机制）来支持因果结论。

应用

时序因果推断在广泛的领域中都有应用，包括：

*医学：识别治疗干预对健康结果的影响。

*经济学：评估政策变化对经济增长的影响。

*市场营销：确定营销活动对销售的影响。

*环境科学：调查人类活动对生态系统的影响。

结论

时序因果推断是一项具有挑战性的任务，需要仔细考虑混杂变量、反向因果关系、自相关性和数据充足性等因素。通过采用统计技术、实验设计、跨学科方法并谨慎解读结果，研究人员可以得出可靠的因果结论，从而为决策提供依据并促进对时序数据的理解。第二部分观测性时序数据的因果识别方法关键词关键要点匹配方法

1.配对样本法：从观测数据中识别出处理组和对照组中的配对样本，确保配对样本在混杂变量上相似。该方法可以有效控制混杂变量的影响，但需要较多的数据和高质量的匹配标准。

2.倾向得分匹配法：使用倾向得分模型估计每个个体在处理和对照组中的倾向得分，并根据倾向得分对处理组和对照组进行匹配。该方法可以更有效地控制混杂变量的影响，但需要准确估计倾向得分模型。

3.加权方法：根据个体的权重对观测数据进行加权，使处理组和对照组在混杂变量上的分布相似。该方法可以灵活地处理不同类型的混杂变量，但需要对权重函数进行合理的选取。

敏感性分析

1.调整敏感性：调整混杂变量与处理之间的关系，评估因果估计的稳健性。例如，可以调整混杂变量与处理之间的相关系数，或增加混杂变量的数量。

2.删除敏感性：删除或增加数据样本，评估因果估计对数据改变的敏感性。例如，可以随机删除或添加一部分数据，或更改数据中的某些值。

3.结果敏感性：改变分析方法或因果识别假设，评估因果估计对分析方案改变的敏感性。例如，可以采用不同的统计模型或假设不同的因果机制。观测性时序数据的因果识别方法

在观测性时序数据分析中，对因果关系进行可靠推断至关重要。然而，由于缺乏随机实验，观测性数据通常存在混淆因素，使得因果推断面临挑战。本文介绍了用于识别观测性时序数据中因果关系的主要方法。

1.格兰杰因果关系

格兰杰因果关系是一种统计检验，用于评估一个时间序列能否预测另一个时间序列。如果X在时滞k下预测Y，但Y在时滞k下不能预测X，则称X格兰杰导致Y。格兰杰因果关系提供了因果关系的充分但不必要条件，因为其他未测量的变量也可能影响这两个时间序列。

2.贝叶斯推理

贝叶斯推理是一种统计方法，利用先验知识和数据更新信念。在因果推断中，贝叶斯推理通过构建因果模型来评估干预变量对结果变量的影响。通过比较干预前后的分布，可以推断因果关系。

3.条件独立性检验

条件独立性检验确定在控制其他相关变量时，是否存在两个时间序列之间的因果关系。如果在控制了Z条件下，X与Y独立，则Z足以消除X与Y之间的因果关系。

4.反事实因果模型

反事实因果模型通过估计在干预变量受到干预时结果变量的值来模拟因果关系。通过比较干预前后的反事实结果，可以推断因果效应。

5.倾向得分匹配

倾向得分匹配是一种流行的识别方法，用于减少混淆因素对因果推断的影响。倾向得分是给定协变量向量后处理被分配到治疗组的概率。通过匹配具有相似倾向得分的受试者，可以创建治疗组和对照组，从而减少混淆因素偏差。

6.合成对照组

合成对照组通过使用来自观察数据的预测模型来创建虚拟对照组。该模型用于预测治疗组成员在未接受治疗时的结果。通过比较治疗组和合成对照组之间的结果，可以估计因果效应。

7.边缘结构模型

边缘结构模型(ESM)是一种统计模型，用于捕捉变量之间的因果关系。ESM假设观测到的数据是由一组潜在变量生成的，这些变量之间的因果关系被明确建模。通过估计ESM参数，可以推断因果效应。

8.敏感性分析

敏感性分析涉及评估因果推断结果对假设和建模选择的敏感性。通过系统地改变模型参数和假设，可以评估因果关系的稳健性。

9.多重稳健性检验

多重稳健性检验包括使用多种识别方法来验证因果关系。如果不同方法提供一致的结果，则因果推断的稳健性就得到加强。

10.领域知识

领域知识在因果推断中起着至关重要的作用。通过结合对研究领域的理解和观测到的数据，可以对因果关系形成更知情的判断。

当使用这些方法时，需要注意以下事项：

*识别方法的适用性取决于数据的性质和混淆因素的存在。

*没有一种万能的方法适用于所有情况。

*因果推断需要仔细考虑建模假设和结果解释。

*谨慎地解释结果并评估其可信度非常重要。第三部分实验性时序数据的因果推断设计关键词关键要点【A/B实验】

1.通过随机分配处理和对照组，有效控制混杂因素，建立因果关系。

2.通常采用平行设计，确保两组参与者在实验开始时具有可比性。

3.广泛应用于产品开发、营销和政策制定等领域，提供强有力的因果证据。

【中断时间序列分析】

实验性时序数据的因果推断设计

实验性时序数据因果推断旨在通过控制干预或处理对目标变量的潜在影响因素，评估干预效果。与观察性研究不同，实验性研究允许研究人员分配干预措施，从而减少混杂变量的影响。

随机对照试验(RCT)

RCT是因果推断的金标准，其将参与者随机分配到干预组和对照组。干预组接受干预措施，而对照组则不接受。通过比较两个组之间的结果，研究人员可以评估干预措施的效果。

优势：

*强大的因果推断

*混杂变量最小化

*易于解释

劣势：

*可能难以执行和实施

*昂贵且耗时

*参与者可能退出或失访

准实验设计

准实验设计是RCT的替代方案，当RCT不切实际或不可能时使用。准实验设计利用自然发生的实验或干预，例如：

*中断时间序列设计：将干预措施实施到已有的时间序列数据中，比较干预前后趋势的变化。

*非随机对照试验：将参与者根据某个特征（例如年龄或性别）分组，而不是随机分配。

*匹配对照试验：将干预组参与者与基于特征相似性匹配的对照组参与者配对。

优势：

*比RCT更容易实施

*仍能提供比观察性研究更强的因果推断

劣势：

*混杂变量的控制程度低于RCT

*可能存在选择偏差或历史趋势影响

单组设计

当不可能或不道德对参与者进行随机分配时，可以使用单组设计。单组设计仅包括一个干预组，比较干预前后或干预前后与历史数据的结果。

优势：

*在RCT不可行的情况下提供因果推断

*可能更容易实施

劣势：

*混杂变量控制不佳

*选择偏差和历史趋势影响的可能性较高

设计考量因素

设计实验性时序数据因果推断时，应考虑以下因素：

*干预措施：明确定义干预措施及其预期影响。

*对照组：选择一个合适的对照组，其特征与干预组相似。

*样本量：确定必要的样本量以检测预期的效果大小。

*实施：计划如何以最大限度地减少执行错误和混杂变量的方式实施干预。

*测量：选择适当的测量来捕捉干预措施的影响。

*分析：确定用于评估干预效果的统计方法。

通过仔细考虑这些因素，研究人员可以设计可靠的实验性时序数据因果推断研究，为决策提供有价值的见解。第四部分时序混淆因素的控制与调整时序混淆因素的控制与调整

引言

时序数据分析中，混淆因素是会影响因果关系推断的潜在因素。在时序分析中，混淆因素可能源于数据的非平稳性、季节性、趋势或其他相关变量的影响。控制和调整混淆因素对于获得可靠的因果推断至关重要。

控制混淆因素的方法

控制混淆因素的方法多种多样，具体选择取决于数据的性质和可用的信息。常见方法包括：

*随机对照试验（RCT）：RCT是控制混淆因素的黄金标准。将参与者随机分配到干预组和对照组，从而确保两组在基线特征方面没有差异。

*匹配：匹配技术将处理组和对照组中的参与者配对，根据预先确定的变量（如年龄、性别、病史）。

*分层：分层技术将参与者分为同质亚组，基于可能影响因果关系的混淆因素。分析在每个亚组中单独进行，消除混淆因素的影响。

*协变量调整：协变量调整使用统计模型（如回归或propensityscorematching）将混淆因素作为协变量纳入分析中。这有助于控制混淆因素的影响，并估计干预的因果效应。

统计方法

用于调整时序混淆因素的统计方法包括：

*差分差分（DID）：DID方法比较处理组和对照组在干预前后的差异。它假设在没有干预的情况下，两组的趋势将保持平行。

*合成控制方法（SCM）：SCM创建一个合成对照组，将处理组与具有类似特征的对照组的数据加权组合。然后，将处理组的实际结果与合成对照组的预测结果进行比较。

*断点回归（RDD）：RDD方法利用一个阈值，在这个阈值以上或以下的参与者以不同的方式受到干预的影响。通过比较阈值附近的参与者的结果，可以估计干预的因果效应。

其他考虑因素

除了上述方法外，控制和调整时序混淆因素时还需要考虑以下事项：

*数据收集方法：数据收集方法可能会引入混淆因素，例如选择偏差或测量误差。

*数据分析方法：选择的分析方法应适当考虑混淆因素的影响。

*因果关系的敏感性分析：敏感性分析可以评估混淆因素调整对因果关系推断的影响。

结论

控制和调整时序混淆因素对于获得可靠的因果推断至关重要。通过采用适当的方法，可以最大限度地减少混淆因素的影响，从而得出准确和可靠的结论。第五部分时序因果模型的识别与估计时序因果模型的识别与估计

在时序数据中，确定变量之间的因果关系对于理解系统动态和进行预测至关重要。时序因果模型的识别和估计旨在建立一个模型，该模型可以描述变量之间的因果关系，并允许进行因果推断。

识别因果关系

识别时序数据中的因果关系是一项具有挑战性的任务，因为变量之间可能存在复杂的交互作用和反馈回路。常用的方法包括：

*格兰杰因果检验：该检验基于时滞相关性，测试一个变量的过去值是否可以预测另一个变量的未来值。

*贝叶斯网络：通过对变量之间的条件依赖关系进行建模，贝叶斯网络可以识别因果方向。

*结构可辨识性：基于统计理论，结构可辨识性criteria允许确定哪些模型可以从给定的数据中唯一识别。

因果模型的估计

一旦识别了因果关系，就可以估计因果模型以量化变量之间的因果效应。常用的估计方法包括：

*向量自回归(VAR)模型：VAR模型假设变量之间存在线性自回归关系，并估计滞后系数以捕获因果效应。

*向量误差修正模型(VECM)：VECM模型扩展了VAR模型，允许长期均衡关系的存在。

*结构向量自回归(SVAR)模型：SVAR模型通过对因果关系施加先验约束来识别因果效应。

*贝叶斯时序模型：这些模型将贝叶斯统计应用于时序数据，允许对参数进行概率推断。

因果效应度量

因果建模的最终目的是量化变量之间的因果效应。常用的度量包括：

*脉冲响应函数：脉冲响应函数显示了一个变量的单位冲击对另一个变量的影响随时间的演变。

*方差分解：方差分解确定了一个变量的波动由其他变量的冲击在多大程度上解释。

*因果效应度量：这些度量提供了对不同变量组合的因果效应的定量估计。

挑战和局限性

时序因果建模面临着许多挑战和局限性，包括：

*数据要求：因果识别和估计通常需要大量且高质量的数据。

*滞后结构：确定因果关系的适当滞后结构可能是一个困难的任务。

*非线性关系：时序数据中的因果关系通常是非线性的，这会使建模变得复杂。

*自相关性：时序数据通常具有自相关性，这可能会影响因果效应的准确估计。

结论

时序因果模型的识别与估计对于理解时序数据中的因果关系至关重要。通过使用适当的方法，研究人员可以建立模型以量化变量之间的因果效应并进行可靠的因果推断。然而，重要的是要认识到因果建模的挑战和局限性，并谨慎解释结果。第六部分时序因果效应的评估与解释关键词关键要点主题名称：因果推理的基本原理

1.因果关系的定义和基本概念，如原因、结果和因果效应。

2.因果推理的原则和方法，包括贝叶斯因果推理、反事实推理和图表因果模型。

3.混杂变量的影响，以及控制变量和匹配技术的处理方法。

主题名称：时序因果效应的识别

时序因果效应的评估与解释

1.评估方法

1.1差分法

差分法对比干预组和对照组的结果变化，以评估因果效应。它包括：

*平行趋势假设：在干预前，干预组和对照组的结果应呈平行趋势。

*差异差分法：比较干预后和干预前干预组和对照组之间的结果差异。

*合成控制法：根据对照组的特征，为干预组创建一个合成对照组，以控制未观察到的混淆因素。

1.2匹配方法

匹配方法通过匹配干预组和对照组中个体的特征，以减少混淆因素的影响。它包括：

*贪婪匹配：一次匹配一个特征，以创建匹配对。

*优化匹配：使用算法同时优化多个特征的匹配。

*倾向得分匹配：使用倾向得分（干预概率）来匹配个体。

1.3回归方法

回归方法利用协变量调整，以控制观测到的混淆因素。它包括：

*线性回归：使用预测变量（混淆因素）来估计和消除它们的效应。

*倾向得分加权：根据倾向得分对观测进行加权，以创建更平衡的样例。

*双重稳健估计：结合差分法和回归方法，以增强估计的稳健性。

1.4联合建模

联合建模方法同时考虑结果和干预变量，以估计因果效应。它包括：

*结构因果模型：使用有向无环图（DAG）表示因果关系，并根据观测数据估计因果效应。

*潜在结果框架：利用潜在结果的分布来估计因果效应，即使这些结果不可观测。

2.解释

评估因果效应后，解释其机制至关重要。这可以包括：

2.1中介分析

中介分析识别因果路径中的中间变量，这些变量传递干预效应。它涉及：

*确定潜在中介变量：提出关于干预如何通过中介变量影响结果的假设。

*评估中介效应：使用统计方法（如Sobel检验或Bootstrap检验）来检验中介假说。

2.2机制探索

机制探索旨在识别和理解因果效应的潜在机制。它涉及：

*定性研究：使用访谈、观察或焦点小组来深入了解干预的机制。

*过程评估：监测干预的实施和接受情况，以识别可能的机制。

*亚组分析：检查因果效应在不同的亚组中的异质性，以探索潜在的机制。

2.3敏感性分析

敏感性分析探讨因果效应对假设和分析选择的敏感性。它涉及：

*假设检验：测试不同因果假设的稳健性，例如平行趋势假设。

*参数验证：检查估计结果对参数选择（例如调整的协变量）的敏感性。

*模型比较：比较不同模型的估计结果，以评估模型选择的影响。

结论

评估和解释时序因果效应对于制定基于证据的决策至关重要。通过使用适当的评估方法和解释技术，从业者可以获得对因果效应及其机制的可靠见解。这有助于信息决策和改善计划和政策的实施。第七部分时序因果推断在真实场景的应用关键词关键要点【时序数据的因果推断在医疗保健中的应用】：

1.时序因果推断可用于识别医疗干预（如药物或手术）的因果效应，帮助制定循证治疗方案。

2.通过减少混杂变量的影响，时序因果推断可提高临床试验的效力和有效性，从而加快药物开发过程。

3.时序因果推断可用于评估公共卫生干预措施的有效性，如疫苗接種计划和传染病控制措施。

【时序数据的因果推断在金融中的应用】：

时序因果推断在真实场景的应用

时序因果推断在许多真实场景中有着广泛的应用，包括：

医疗保健：

*评估医疗干预的有效性，例如药物治疗或手术。

*识别导致疾病的风险因素，例如不良生活方式或环境影响。

*预测患者预后，例如疾病进展或康复可能性。

金融：

*预测股票价格走势，以做出明智的投资决策。

*评估经济政策的影响，例如利率变化或政府支出。

*检测金融欺诈，例如信用卡诈骗或洗钱。

制造：

*优化生产流程，以提高效率和产量。

*预测机器故障，以进行预防性维护。

*识别影响产品质量的因素，以控制和改进制造过程。

交通：

*预测交通堵塞，以优化交通流量并减少通勤时间。

*评估交通安全措施的有效性，例如限速限制或红灯执法。

*预测交通事故，以减少人员伤亡和经济损失。

环境科学：

*评估气候变化的影响，例如海平面变化或极端天气事件。

*预测环境污染的程度，例如空气污染或水污染。

*识别影响生态系统健康的环境因素，例如栖息地破坏或物种入侵。

社会科学：

*评估教育干预的有效性，例如学前教育或课后辅导。

*识别影响社会行为的因素，例如同龄影响或社会规范。

*预测社会趋势，例如犯罪率或人口变化。

具体应用示例：

*医疗保健：使用时序因果推断，研究人员可以确定吸烟与肺癌之间明确的因果关系，从而为公共卫生政策提供证据基础。

*金融：投资银行使用时序因果推断模型来预测股票价格走势，从而为客户提供投资建议并最大化投资收益。

*制造：汽车制造商使用时序因果推断技术来识别影响汽车可靠性的因素，从而改善设计并减少召回。

*交通：城市规划者使用时序因果推断方法来预测交通堵塞并在关键交叉路口部署交通信号优化系统。

*环境科学：气候科学家使用时序因果推断模型来预测气候变化对海平面上升的影响，从而为适应和减缓策略提供信息。

时序因果推断在这些领域有着广泛的应用，它为决策者提供了证据基础，帮助他们制定明智的政策并改善人们的生活质量。第八部分时序因果推断研究的最新进展与展望关键词关键要点【时间序列因果推断研究的最新进展】

【可观测性分析方法的进步】

1.开发了新的统计检验和因果识别算法，以处理时序数据中常见的挑战，如自相关和异方差。

2.探索了基于图论和因果网络的因果发现方法，用于识别时序数据中的复杂因果关系。

【基于模型的因果推断的进步】

时序因果推断研究的最新进展与展望

随着时序数据在各种领域（如金融、医疗保健和制造业）的激增，对时序因果推断的需求也与日俱增。时序因果推断旨在确定时间序列数据中的因果关系，从而为决策和预测提供宝贵的见解。

最新的进展

近年来，时序因果推断领域取得了显著进展：

*基于图结构的因果推断：利用图结构来表示变量之间的依赖关系，通过寻找图中的有向路径来推断因果关系。

*无监督因果推断：无需标记数据，即可通过统计方法和算法来识别因果关系。

*半监督因果推断：利用少量标记数据来指导无监督因果推断，提高准确性。

*因果效果估计：开发了用于估计时序数据中因果效应的鲁棒方法，例如双重鲁棒估计量和反事实推理。

*时序数据的因果发现：提出了一些用于从时序数据中发现因果关系的新算法和方法。

展望

时序因果推断领域未来仍有广阔的发展前景：

*因果关系建模的复杂性：进一步探索复杂的因果关系建模方法，如非线性、多变量和动态因果关系。

*鲁棒性和可解释性：提高因果推断方法在现实世界数据中的鲁棒性和可解释性。

*大数据和高维数据：开发能够处理大规模和高维时序数据的因果推断方法。

*融合异构数据：研究整合来自不同来源的异构时序数据的因果推断方法。

*时变因果关系：探索时变因果关系建模技术，以捕捉随着时间的推移而变化的因果关系。

关键挑战

尽管取得了进展，但时序因果推断仍面临一些关键挑战：

*数据稀疏性和噪声：时序数据通常稀疏且嘈杂，这给因果推断带来了困难。

*混杂因素：难以控制混杂因素的影响，从而导致因果推断的偏差。

*时间依赖性：时序数据的依赖性随时间变化，这给因果建模和效果估计带来了挑战。

*道德考量：在某些领域，进行因果推断可能涉及道德考量，例如在医疗保健中进行干预性研究。

应用

时序因果推断在广泛的领域中具有重要的应用，包括：

*医疗保健：识别治疗干预措施的因果效应，改善患者预后。

*金融：预测市场趋势和做出投资决策，例如识别股票价格变动的因果因素。

*制造业：优化生产流程，例如确定设备故障的根本原因。

*环境科学：研究气候变化的影响，例如识别自然灾害与人为活动之间的因果关系。

*社会科学：探索社会现象的因果关系，例如教育政策对学生成就的影响。

结论

时序因果推断是数据科学和因果推断研究中的一个活跃且不断发展的领域。随着算法、技术和应用的不断进步，时序因果推断有望在未来为基于数据的决策和科学发现做出重大贡献。关键词关键要点时序因果推断的概念与挑战

主题名称：建立因果关系的复杂性

*关键要点：

*时序数据中的因果关系建立受到时间依赖性、协变量混杂和观测性数据限制的影响。

*时间依赖性使过去事件成为未来事件的潜在原因，复杂化了因果关系的建立。

*协变量混杂是指与因果变量相关的未观察变量，可能会影响结果变量，混淆因果关系。

主题名称：识别因果效应的挑战

*关键要点：

*对于具有潜在混杂因素的观测性数据，很难可靠地识别因果效应。

*随机对照试验（RCT）是确定因果效应的黄金标准，但对于时序数据来说往往不可行。

*匹配方法和倾向得分匹配等准实验设计可以部分解决混杂问题，但仍存在局限性。

主题名称：因果推断方法

*关键要点：

*Granger因果关系检验是识别时序数据中因果关系的一种常用方法，但其假设可能是限制性的。

*贝叶斯方法允许将先验知识纳入因果推断，提高因果效应估计的准确性。

*因果森林等机器学习方法已被应用于时序因果推断，具有处理高维数据和非线性关系的能力。

主题名称：因果图的应用

*关键要点：

*因果图提供了一种对时序数据中的因果关系进行可视化和推理的框架。

*通过使用因果图，可以识别潜在的混杂因素并确定所需的干预或数据收集。

*因果图可以与其他因果推断方法相结合，增强因果效应的可靠性。

主题名称：时序数据的因果推断趋势

*关键要点：

*多模态数据集成和深度学习技术的进步正在推动时序因果推断的发展。

*对因果图和贝叶斯方法的改进提高了因果效应估计的准确性和鲁棒性。

*利用分布时延网络等前沿方法可以解决时序数据中复杂的动态和时变因果关系。

主题名称：未来挑战与机遇

*关键要点：

*实时时序因果推断对于动态系统的控制和决策至关重要。

*解决高频和高维时序数据的因果推断中的计算挑战。

*发展能够处理非平稳性和缺失数据的因果推断方法。关键词关键要点主题名称：协变量平衡

关键要点：

1.通过匹配或加权，将处理组和对照组的协变量分布调整为相似，从而消除混杂bias。

2.协变量平衡方法包括倾向得分匹配、逆概率加权和协方差调整。

3.协变量平衡可以通过减少处理组和对照组之间的混杂bias，提高因果推断的准确性。

主题名称：倾向得分匹配

关键要点：

1.根据协变量计算每个个体的处理分配概