时间序列中的因果推断

20/25时间序列中的因果推断第一部分时间序列因果推断的挑战 2第二部分观测性和实验性因果推断方法 4第三部分Granger因果关系检验 7第四部分向量自回归模型（VAR） 10第五部分结构向量自回归模型（SVAR） 13第六部分脉冲响应分析 15第七部分确定性因果推断方法 18第八部分时间序列因果推断的应用 20

第一部分时间序列因果推断的挑战关键词关键要点【时间序列因果推断的挑战】

1.观测变量之间的相关性

-时间序列数据中的观测变量往往具有很强的相关性，这使得难以确定因果关系。

-相关性并不意味着因果关系，可能是由潜在的混杂因素（confoundingfactors）引起的。

-需要考虑时间序列数据的内在结构，如趋势、季节性和自相关，以避免虚假因果关系的推断。

2.混杂因素的影响

时间序列因果推断的挑战

1.时间顺序无法确立因果关系

观察到时间序列中事件A和事件B的先后顺序不能自动推断出B由A引起。时间顺序只是时间序列中的一个方面，并不能提供关于因果关系的信息。

2.外部混杂因素

外部混杂因素是指可能同时影响时间序列中两个变量的第三方变量。如果存在外部混杂因素，则很难分离出A对B的因果影响。例如，季节性模式或经济趋势可能影响股票价格和公司利润，使因果推断变得复杂。

3.反向因果关系

反向因果关系是指B也可能对A产生影响。在这种情况下，观察到的时间顺序不代表因果关系，而是反映了双向影响。例如，股票价格上涨可能会导致投资者信心增强，而投资者信心增强又会导致股票价格进一步上涨。

4.未观测到的混杂因素

未观测到的混杂因素是影响时间序列中两个变量的隐藏变量。这些变量可能难以识别或测量，但它们可能会扭曲因果推断。例如，消费者对新产品的偏好可能会影响销售额和营销支出，但偏好是一个未观测到的因素。

5.尺度效应

尺度效应是指时间序列中变量的测量单位可能会影响因果推断。例如，以美元计价的销售额与以单位数计价的销售额之间可能存在因果关系，但由于尺度不同，这种关系可能会被掩盖。

6.非线性关系

时间序列中的关系可能是非线性的，这意味着A对B的影响可能不是线性的。在这种情况下，传统因果推断方法可能无效。

7.时间延迟

因果关系可能不会立即显现，而是存在时间延迟。如果时间延迟很长，则可能难以建立因果关系。例如，吸烟与肺癌之间的因果关系可能需要多年才能显现。

8.自相关

自相关是指时间序列中一个观测值与之前或之后的观测值之间存在相关性。自相关会使因果推断复杂化，因为很难区分由因果关系引起的模式和由自相关引起的模式。

9.样本量不足

小样本量可能会损害因果推断的可靠性。如果观测值的数量太少，则可能无法准确估计A对B的影响。

10.模型假设

因果推断方法通常基于某些假设，例如线性关系、正态分布和缺乏外部混杂因素。如果这些假设不成立，则因果推断结果可能会受到影响。第二部分观测性和实验性因果推断方法关键词关键要点观测性和实验性因果推断方法

观测性因果推断方法

1.使用历史数据建立因果模型，而无需主动操纵变量。

2.常用方法包括回归分析、匹配法和协变量调整。

3.难以控制潜在混杂因素，可能导致偏倚。

实验性因果推断方法

时间序列中的因果关系识别

1.使用统计方法（如格兰杰因果关系检验）识别时间序列中的因果关系。

2.考虑格兰杰因果关系与实际因果关系之间的区别。

3.应对时间序列数据中的自相关性和异方差性。

因果推断中的偏倚

1.识别和解决观测性研究中的偏倚类型（例如混杂、选择偏倚）。

2.了解实验性研究中潜在的偏倚（例如样本选择偏倚、处理分配偏倚）。

3.采取措施减轻或校正偏倚，以提高因果推断的有效性。

因果推断中的可解释性

1.开发可解释的因果模型，以理解因果关系的基本机制。

2.使用基于图的模型、决策树和贝叶斯网络来直观地表示因果关系。

3.评估因果模型的可解释性，以确保其易于理解和通信。

因果推断中的前沿进展

1.机器学习和人工智能技术在因果推断中的应用和影响。

2.合成数据和模拟在弥补缺失数据的挑战中的作用。

3.因果发现算法和非参数因果模型的最新发展。观测性因果推断方法

观测性研究通过观察自然发生的事件来收集数据，不涉及对研究对象进行干预。虽然这些方法不能提供实验性的因果关系证据，但它们可以提供宝贵的见解，特别是当进行实验性研究不切实际或不可能时。

回顾性研究：

*利用现有数据，例如医疗记录或行政数据，来调查暴露和结局之间的关系。

*优点：易于进行，成本低。

*缺点：数据可能不完整或准确，无法控制混杂因素。

队列研究：

*追踪一组人一段时间，监测他们的暴露和结局情况。

*优点：可以收集更详细的数据，更好地控制混杂因素。

*缺点：成本较高，需要长时间的随访。

匹配成对研究：

*将暴露组和非暴露组的个体根据年龄、性别等混杂因素进行匹配。

*优点：降低混杂因素的影响。

*缺点：可能难以找到匹配良好的个体，样本量可能较小。

实验性因果推断方法

实验性研究通过主动操纵暴露来评估因果关系，为更强大的因果关系证据提供基础。

随机对照试验（RCT）：

*研究对象被随机分配到暴露组或对照组。

*优点：提供最强的因果关系证据，消除混杂因素。

*缺点：成本高，难以实施所有情况。

半实验性研究：

*不完全遵循RCT的严格原则，但仍然可以提供一些因果关系证据。

*例子：准实验、自然实验。

*优点：成本低于RCT，可以利用自然发生的事件。

*缺点：可能存在残留混杂因素，因果关系证据较弱。

因果推断中的挑战

混杂因素：其他与暴露和结局相关的因素，可能会混淆两者之间的关系。

逆向因果：结局影响暴露，而不是暴露影响结局。

选择偏倚：纳入研究的个体不代表总体人群，从而导致错误的结论。

衡量错误：暴露或结局的测量不准确或不一致，从而影响结果。

消除偏倚和建立因果关系的策略

随机化：通过随机分配暴露来消除混杂因素和选择偏倚。

匹配：根据混杂因素对个体进行匹配，以减少混杂因素的影响。

回归分析：控制多个混杂因素的影响，并评估其对暴露与结局之间关系的影响。

敏感性分析：探索不同假设和假设条件对结果的影响，以评估研究的稳健性。

多变量分析：使用复杂的统计模型来同时考虑多个因素的影响。

结论

观测性和实验性方法都是时间序列因果推断的重要工具。通过慎重考虑研究设计、控制偏倚和利用适当的统计分析，研究人员可以提高因果关系推断的准确性和可信度。对因果关系的深入理解对于制定基于证据的公共卫生政策和干预措施至关重要，旨在改善人口健康和福祉。第三部分Granger因果关系检验关键词关键要点格兰杰因果关系检验

1.定义：格兰杰因果关系检验是一种统计检验，用于确定一个时间序列变量是否对另一个时间序列变量有因果影响。

2.原理：检验的基本思想是，如果变量X对变量Y有因果关系，那么在时间序列中X的过去值应该可以预测Y的未来值，即使控制了其他相关变量。

3.实施：检验涉及以下步骤：

-构建两个时间序列数据的向量自回归(VAR)模型。

-分别将每个变量的滞后值作为自变量。

-通过比较模型的残差平方和来评估各个变量对其他变量的预测能力。

-进行统计假设检验以确定是否存在因果关系。

格兰杰因果关系假设检验

1.前提条件：格兰杰因果关系检验需要满足以下前提条件：

-序列是平稳的。

-误差项是不相关的。

-不存在自回归条件异方差(ARCH)。

2.假设检验：检验涉及以下假设：

-原假设：变量X不对变量Y产生格兰杰因果关系。

-备择假设：变量X对变量Y产生格兰杰因果关系。

3.统计量：检验的统计量是F统计量，它衡量了X的滞后值对Y的预测能力与没有X的滞后值的情况相比的改善程度。

格兰杰因果关系检验的局限性

1.前提条件敏感性：检验对前提条件敏感，如果前提条件不满足，则结果可能不可靠。

2.滞后长度选择：滞后长度的选择可能会影响检验的结果。选择过少的滞后长度可能导致检验的欠拟合，而选择过多的滞后长度可能导致检验的过拟合。

3.非线性关系：检验无法检测非线性因果关系。需要使用其他方法来评估此类关系。Granger因果关系检验

简介

Granger因果关系检验是一种统计方法，用于确定一个时间序列是否由另一个时间序列因果驱动。它基于这样一个理念，即如果变量A因果地驱动变量B，那么A过去的值应包含有关B当前值的附加信息，而不仅仅是B自己的过去值。

数学形式

Granger因果关系检验采用以下数学形式：

*模型1：仅使用Y_t的滞后值预测Y_t

*模型2：使用Y_t的滞后值和X_t的滞后值预测Y_t

如果模型2的预测误差明显小于模型1，则表明X_t的过去值提供了有关Y_t当前值的附加信息。在这种情况下，我们拒绝零假设（即X_t不对Y_t具有因果关系）并得出结论，X_t因果地驱动Y_t。

检验统计量

Granger因果关系检验的检验统计量为F统计量，其计算如下：

```

F=(SSR1-SSR2)/SSR2*(T-k2)/k1

```

其中：

*SSR1：模型1的残差平方和

*SSR2：模型2的残差平方和

*T：时间序列的长度

*k1：模型1中滞后值的个数

*k2：模型2中滞后值的个数

临界值

F统计量的临界值可以通过自由度(k1,T-k2)的F分布表获得。如果F统计量大于临界值，则拒绝零假设。

优点

Granger因果关系检验的优点包括：

*相对简单且易于应用

*不需要对数据生成过程做出任何假设

*可以用于多个时间序列

缺点

Granger因果关系检验的缺点包括：

*只能检测线性因果关系

*不能区分直接因果关系和间接因果关系

*可能会受到样本量和滞后值选择的影响

替代方法

除了Granger因果关系检验之外，还有许多其他方法可以用于时间序列因果关系的推断，包括：

*条件独立性检验

*贝叶斯因果关系检验

*非线性因果关系检验第四部分向量自回归模型（VAR）关键词关键要点向量自回归模型（VAR）

1.定义和结构：

-VAR模型是一种多元时间序列模型，用于捕获变量之间的因果关系和动态相互作用。

-它假设变量的当前值由其过去的值以及其他变量的过去值线性决定。

-模型具有p阶，即变量的滞后项数量。

2.优势：

-能够捕获多个时间序列变量之间的相互依赖关系。

-可以用于因果推断，确定变量间是否存在因果关系。

-估计模型参数相对简单，无需明确指定回归方程或因果机制。

3.局限性：

-模型假设变量之间的关系是线性的，可能无法捕捉到非线性关系。

-需要相对较长的观测时间序列才能获得可靠的估计。

-对于大型系统，模型参数的计算量可能会很大。

因果推断

1.识别规则：

-格兰杰因果关系：如果变量X的过去值可以预测变量Y的当前值，则X对Y具有格兰杰因果关系。

-建立因果关系需要满足格兰杰因果关系测试。

2.推断方法：

-通过VAR模型的脉冲响应函数分析，可以评估变量之间的因果影响。

-同时满足格兰杰因果关系和脉冲响应函数的显著性，可以推断出因果关系。

3.局限性：

-只能检测到格兰杰因果关系，而不能确定因果方向。

-假定因果关系是线性和稳定的。

-变量之间的潜在混杂因素可能会影响因果推断的可靠性。向量自回归模型（VAR）

定义

向量自回归模型（VAR）是一种多元时间序列模型，用于捕获多个时间序列变量之间的动态关系。它假设每个变量在当前时间点上的值可以用其自身以及其他变量在过去时间点上的值来线性预测。

形式

VAR模型可以用以下形式表示：

```

```

其中：

*Y_t为t时刻的m维向量，包含m个时间序列变量的值

*c为常数向量

*A_i为m×m系数矩阵，表示滞后i期的变量对当前变量的影响

*p为VAR模型的阶数（即滞后期的数量）

*ε_t为t时刻的误差项向量

阶数选择

VAR模型的阶数p通常使用信息准则（如赤池信息准则(AIC)或贝叶斯信息准则(BIC)）来选择。这些准则考虑了模型拟合的准确性和模型的复杂性，以找到最优的p值。

可识别性

VAR模型的可识别性是指模型中变量的冲击（或扰动）可以唯一确定地从观测数据中识别出来。可识别性的条件取决于变量之间的结构关系，通常通过格兰杰因果关系检验来评估。

估计

VAR模型的系数通常使用普通最小二乘法(OLS)估计。OLS估计假设误差项ε_t是独立同分布的。但是，在实际应用中，误差项通常具有自相关性，因此需要使用更健壮的估计方法，例如广义最小二乘法(GLS)或贝叶斯估计。

因果推断

VAR模型可以用于进行因果推断，即确定一个变量的变化是否导致另一个变量的变化。这可以通过格兰杰因果关系检验来实现，该检验使用过去观测值来测试一个变量对另一个变量的预测能力。

优点

*VAR模型易于理解和估计。

*它可以捕获多个变量之间的动态关系。

*它可以用于因果推断，但前提是模型是可识别的。

缺点

*VAR模型可能会受到变量选择偏差的影响。

*随着变量数量的增加，VAR模型的复杂性会迅速增加。

*VAR模型假设误差项是独立同分布的，这在实际应用中并不总是成立。

应用

VAR模型广泛应用于宏观经济学、金融和计量经济学等领域。它被用于预测经济指标、分析金融市场动态以及研究经济政策的影响。第五部分结构向量自回归模型（SVAR）关键词关键要点【结构向量自回归模型（SVAR）】：

1.SVAR是一种用于时间序列数据的因果推断的统计模型。它通过将变量建模为彼此因果关系的线性自回归过程来捕获变量之间的相互依赖性。

2.SVAR模型可以通过对观察到的时间序列进行协方差分解来估计。这种分解将协方差矩阵分解为代表变量之间的因果关系的正交分量。

3.SVAR模型可以用来识别和估计结构冲击，即系统外部的事件，对变量的动态产生影响。这些冲击可用于进行反事实分析和预测。

【格兰杰因果关系】：

结构向量自回归模型（SVAR）

简介

结构向量自回归模型（StructuralVectorAutoregressionModel，简称SVAR）是一种时间序列模型，用于在多变量时间序列数据中识别因果关系。与传统的自回归模型不同，SVAR模型引入了一个结构识别条件，使研究者能够估计变量之间的结构性冲击如何影响系统。

模型形式

SVAR模型的一般形式为：

```

```

其中：

*y_t：t时刻的观测变量向量

*A_i：自回归系数矩阵，描述了y_t如何受过去观测值的影响

*B：影响矩阵，描述了变量之间的因果关系

*u_t：不可观测的结构性冲击向量

*e_t：白噪声误差项

结构识别

SVAR模型的关键在于结构识别，即确定影响矩阵B中的因果关系。这可以使用以下方法之一来实现：

*Cholesky分解：假设时间序列变量遵循正态分布，且结构性冲击相互独立，则影响矩阵B可以唯一分解为上三角矩阵。

*正向递归识别：根据变量之间的顺序排列，逐个识别变量之间的因果关系。

*超外生变量：使用外部变量作为仪器变量，通过排除约束条件来识别因果关系。

*sign限制：利用因果关系的先验知识，对影响矩阵中的元素施加符号限制。

脉冲响应分析

一旦确定了影响矩阵，就可以通过脉冲响应分析来研究结构性冲击对系统的影响。

```

```

其中：

*B^s：影响矩阵的s次幂

*e_t-s：t-s时刻的结构性冲击

脉冲响应函数描绘了特定结构性冲击对每个变量的随时间变化的影响。它们提供了一种可视化因果关系和估计其强度的工具。

优势

*允许识别因果关系，即使变量之间存在内生性

*提供了对结构性冲击影响的详细视图

*易于解释和可视化

局限性

*对结构识别条件的敏感性

*受样本量限制

*需要对系统具有先验知识才能实现识别

应用

SVAR模型广泛应用于经济学、社会学和金融等领域，其中因果关系的识别至关重要。一些典型的应用包括：

*货币政策对经济增长的影响

*政治事件对市场收益的影响

*气候变化对能源需求的影响第六部分脉冲响应分析关键词关键要点脉冲响应分析

主题名称：基本概念和定义

1.脉冲响应函数（IRF）描述了对时间序列中冲击的响应。

2.脉冲响应分析通过测量IRF来确定自变量对因变量的影响。

3.因变量和自变量都可能包含滞后效应和季节性模式。

主题名称：脉冲响应函数的估计

脉冲响应分析

脉冲响应分析是一种统计技术，用于确定自变量中的单位冲击对因变量未来值的动态影响。它在时间序列分析中广泛用于因果关系推断，因为可以帮助确定自变量是否是因变量的变化的潜在原因。

脉冲响应函数(IRF)

脉冲响应函数是脉冲响应分析的核心，它描述了当一个自变量在特定时间点受到一个单位冲击时，因变量在各个时点上的预期响应。IRF可以通过各种方法估计，包括：

*向量自回归(VAR)模型：VAR模型估计自变量和因变量之间的动态关系。通过对VAR模型施加单位冲击，可以计算IRF。

*结构向量自回归(SVAR)模型：SVAR模型在VAR模型的基础上，通过经济理论或先验知识对冲击进行识别限制。这样做可以产生更可靠的IRF。

*局部投影回归(LPR)模型：LPR模型使用局部加权回归技术来估计自变量冲击对因变量的非参数响应。

因果关系推断

脉冲响应分析通过考察IRF的形状和统计显着性来帮助进行因果关系推断：

*形状：如果IRF在冲击后正向变化并逐渐衰减至零，则支持自变量是因变量变化的原因的假设。

*显着性：对IRF估计进行统计显著性检验，以确定响应是否显着不同于零。如果响应是显着的，则进一步支持因果关系的假设。

优点

脉冲响应分析具有以下优点：

*允许评估自变量冲击对因变量的动态影响。

*可以用于预测变量未来值。

*能够识别因果关系，即使变量之间存在同时性。

*相对于其他因果推断技术，对样本量要求较低。

局限性

虽然脉冲响应分析是一个强大的工具，但它也有一些局限性：

*假设冲击是瞬时的和外生的。

*对自变量和因变量之间的关系进行线性近似。

*依赖于模型识别，可能导致有偏的IRF。

*难以解释IRF响应机制，因为它们是模型推导出来的。

应用

脉冲响应分析广泛应用于各种领域，包括：

*宏观经济学：分析货币政策冲击对经济产出的影响。

*金融：评估利率变化对股票市场或汇率的影响。

*卫生保健：研究公共卫生干预措施的效果。

*政策评估：评估政府政策或计划的影响。

总之，脉冲响应分析是时间序列分析中一种有用的工具，用于因果关系推断。通过估计自变量冲击对因变量的动态响应，它可以帮助确定自变量是否是因变量变化的潜在原因。然而，理解其优点和局限性对于正确解释和使用IRF至关重要。第七部分确定性因果推断方法确定性因果推断方法

确定性因果推断方法假设能够直接测量或操纵自变量和因变量之间的关系，从而确定因果关系。这些方法主要包括：

1.实验方法

*实验设计：实验通过控制自变量（处理）和测量因变量之间的关系来建立因果关系。参与者被随机分配到实验组（接受处理）和对照组（不接受处理）。

*优势：实验设计可以提供最强的因果证据，因为自变量的操纵是直接的，并且可以控制潜在的混杂因素。

*局限性：实验环境可能与真实世界不同，外部效度可能会受到质疑。

2.自然实验

*自然发生：自然实验利用自然发生的事件（如自然灾害或政策变化）作为“实验”，分析其对因变量的影响。

*准实验：准实验是自然实验的一个子集，具有更严格的设计，如使用控制组或匹配技术，以提高因果推断的可靠性。

*优势：自然实验可以提供真实世界的证据，外部效度较高。

*局限性：无法完全控制自变量，潜在的混杂因素可能仍然存在。

3.回归不连续设计（RD）

*利用不连续点：RD利用政策或其他规则中自变量的某个特定不连续点。在该点附近，处理和不处理组的预期因变量值应该相同，除非存在因果效应。

*优势：RD可以提供接近实验的因果证据，因为自变量的赋值是在不连续点随机确定的。

*局限性：要求有明确的不连续点，且这个不连续点与其他因素的变化无关。

4.工具变量法（IV）

*工具变量：IV是一种与自变量相关的变量，但与因变量没有直接关系。

*机制：IV通过影响自变量，但不会直接影响因变量，从而建立因果关系。

*优势：IV可以解决内生性问题（例如，当自变量和因变量同时受到其他因素的影响时），并提供可靠的因果估计。

*局限性：需要找到合适的工具变量，且工具变量必须满足严格的条件，例如排除限制。

5.渐进回归法（IV）

*渐进排除：渐进回归法通过逐个排除潜在的混杂因素来建立因果关系。

*机制：当混杂因素被排除后，自变量和因变量之间的关系将反映因果效应。

*优势：不需要特定的工具变量，可以在存在多个混杂因素的情况下使用。

*局限性：依赖于假设排除的混杂因素是唯一的真实混杂因素，并且没有遗漏变量偏差。

结论

确定性因果推断方法提供了强有力的证据，表明自变量与因变量之间的因果关系。然而，这些方法也有其局限性，例如外部效度、内生性和遗漏变量偏差。在选择因果推断方法时，研究人员必须仔细考虑研究目标、数据可用性和具体情况。第八部分时间序列因果推断的应用时间序列因果推断的应用

时间序列因果推断在众多领域有着广泛的应用，以下列举一些常见的应用场景：

1.经济学

*研究经济变量之间的因果关系，例如利率变动对GDP增长的影响。

*预测经济指标，例如通货膨胀或失业率。

*制定经济政策，例如加息或减税对经济的影响。

2.金融

*分析金融资产价格的变动，例如股票或债券价格与市场事件的关系。

*预测金融风险，例如违约或破产的可能性。

*设计投资策略，例如确定最佳投资组合以实现收益最大化。

3.医疗保健

*研究治疗干预对患者预后的因果影响。

*识别疾病的风险因素，例如吸烟或肥胖对心血管疾病的影响。

*预测疾病的进展，例如癌症患者的生存率。

4.社会科学

*分析社会政策的影响，例如教育改革或社会保障变化。

*了解社会现象的因果关系，例如犯罪率或教育成就。

*设计社会计划，例如减少贫困或提高社会流动性。

5.环境科学

*研究环境因素对生态系统的影响，例如气候变化对生物多样性的影响。

*预测环境事件，例如洪水或野火。

*制定环境政策，例如减少污染或保护野生动物。

6.工程

*优化控制系统，例如预测发动机性能或提高车辆效率。

*检测异常事件，例如故障或传感器故障。

*预测系统故障，例如机器磨损或结构损坏。

7.数据科学

*识别异常或趋势，例如社交媒体中的情绪变化或网络流量中的攻击检测。

*预测未来事件，例如客户流失或销售额预测。

*开发推荐系统，例如推荐产品或电影。

具体应用案例

*因果推断在牛津大学阿斯利康合作项目中的应用：研究阿司匹林对血栓形成的影响，表明阿司匹林能显著降低中风和心脏病发作的风险。

*因果推断在世界银行项目中的应用：评估小额信贷对贫困家庭收入和消费的影响，发现小额信贷可以提高收入并减少贫困。

*因果推断在谷歌搜索排名优化中的应用：分析搜索结果与用户点击之间的因果关系，以优化搜索算法并提高用户体验。

*因果推断在Netflix电影推荐系统中的应用：研究用户观看历史与推荐电影之间的因果关系，以更准确地推荐电影并提高用户满意度。

*因果推断在能源行业风电场预测中的应用：预测风电场的发电量，以优化能源分配并提高能源效率。

这些案例突显了时间序列因果推断在各种领域的强大应用，通过确定变量之间的因果关系，它提供了理解和预测真实世界现象的宝贵见解。关键词关键要点【确定性因果推断方法】

【赫斯特因果推断】

*关键要点：

1.采用滞后时间序列对比，识别因变量和自变量之间的因果关系。

2.衡量Granger因果关系的统计显著性，并通过临界值判断因果存在性。

3.可控变量的引入可增强因果推断的稳健性。

【Granger因果检验】

*关键要点：

1.基于时间序列的条件分布，判断因变量信息是否包含在自变量历史信息中。

2.对残差序列进行统计检验，以识别因变量受自变量影响的统计显著性。

3.严格控制变量选择，避免虚假因果推断和遗漏变量偏差。

【脉冲响应函数】

*关键要点：

1.通过引入冲击变量，衡量自变量对因变量的动态影响。

2.识别冲击效应的滞后时间和持续时间，揭示因果关系的时序特征。

3.结合结