Nature计算科学综述：经由准实验，从观察数据中推测因果关系(12)

实验经济学家对使用机器学习和数据科学很感兴趣[74, 85, 86]。除了本文已经回顾过的场景之外，还有其他场景下的因果推断方法，例如在干扰下（个人的干预分配可能影响他人的结果）[87]，或者在网络数据[88]中。随着机器学习方法的普及，数据科学家和机器学习研究人员应该寻找与经济学界合作的机会。
就像因果关系在营销[89]和神经科学[90]等领域被强调为中心问题一样，人们需要更广泛地认识到，许多数据科学问题就是找到自然界中的因果关系[3]。研究人员提倡数据科学家通过一个因果透镜来看待他们正在研究的问题: 这个问题是否能通过相关性或预测来回答，或者是否存在一个潜在的因果机制？如果目标是了解决策、行动或干预，数据科学家需要仔细考虑他们的数据：这是观察性的还是实验性的，是否存在对未观察到的混杂变量，以及可以采取什么方法来控制混杂因子？准实验是一套可以成功地识别混杂因果效应的方法，其应成为数据科学家工具包的一部分，就像它们已成为经济学家工具包的一部分一样[49, 91]。
数据科学和准实验的传统用户相互合作会带来新的机会。因果关系需要在数据科学中发挥更大的作用，准实验为从观测数据中获得的因果关系提供了实用的测量方法。与此同时，机器学习和数据科学的创新正在经济学中得到应用，而这些思想在复杂数据领域的持续应用可以扩大经济学家和其他社会科学家可以提出问题的范围。可以设想，在未来，更多的数据科学明确地围绕着因果关系展开，其他领域如经济学可以利用机器学习的进步来帮助回答他们自己的因果问题。
参考文献
1. van Dyk, D. et al. ASA statement on the role of statistics in data science. Amstat News https://magazine.amstat.org/blog/2015/10/01/ asa-statement-on-the-role-of-statistics-in-data-science/ (2015).
2. Pearl, J. Te seven tools of causal inference, with refections on machine learning. Commun. ACM 62, 54–60 (2019).
3. Hernán, M. A., Hsu, J. & Healy, B. Data science is science’s second chance to get causal inference right: a classifcation of data science tasks. Chance 32, 42–49 (2019).