---
title: "因果推論（Causal Inference）"
slug: causal-inference
language: zh-TW
source: https://aiterms.tw/terms/causal-inference
updated_at: 2026-04-29
tags: [統計方法, 機器學習, AI基礎, 資料處理, 模型評估]
ipas_term: false
---

# 因果推論（Causal Inference）

> **你想知道一個政策或操作到底有沒有真的造成結果變化時，你會怎麼判斷它真正的作用？**
>
> 你可以把它想成 因果推論是從觀察數據中推斷因果關係的方法，旨在確定一個變數的變化是否直接導致另一個變數的變化。
>
> 在 你想知道一個政策或操作到底有沒有真的造成結果變化時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

### 容易混淆
> **因果推論 vs 相關性**
> 相關性只說一起變，因果推論要回答改變 X 會不會導致 Y 變。
>
> **觀察研究 vs 隨機試驗**
> 觀察研究看現成資料，隨機試驗用設計降低混雜因子。
>
> **因果推論 vs 預測模型**
> 預測模型追求準，因果推論追求可解釋的介入效果。

### 記住這句就好
> 先看它要解決的是什麼問題，再看它是不是最合適的方法。

### 實際案例
> **案例 1：新優惠券**
> 你想知道發券是否真的提升回購，而不是只是剛好買的人比較多。
>
> **案例 2：教育介入**
> 你想知道額外輔導課是否真的拉高成績，而不是剛好去上課的學生本來就更認真。

### 算法與應用
> | 面向 | 重點 |
> |---|---|
> | 核心 | 要分辨干擾因素，才能把相關和因果拆開。 |
> | 常用工具 | A/B 測試、DAG、配對、工具變數、差異中的差異。 |
> | 注意 | 沒有好設計的觀察資料，很容易把相關誤看成因果。 |

### 情境判斷
> **Q1（判斷題）：** 看到冰淇淋銷量和溺水率一起升高，能說冰淇淋造成溺水嗎？
> → 不能，這很可能是氣溫這個混雜因素一起在作用。
>
> **Q2（判斷題）：** 如果 A/B 測試做得很完整，還需要擔心混雜嗎？
> → 通常比觀察資料少很多，但還是要注意實驗污染和執行偏差。

### 常見問題
> **Q：因果推論一定要有實驗嗎？**
> 不一定，但有實驗通常最乾淨；沒有實驗時就要靠嚴謹設計補強。
>
> **Q：因果推論和統計檢定是一樣的嗎？**
> 不一樣，檢定只是判斷差異顯著，因果推論要再回答介入效果。
>
> **Q：混雜因子是什麼？**
> 它是同時影響 X 和 Y 的第三個因素，會把因果關係搞亂。

### 相關術語
> - **相關係數**：先看相關，能幫你知道因果推論為什麼不能只看一起變。
> - **A/B測試**：這是最常見的因果驗證方法之一。
> - **假設檢定**：先懂檢定，才知道因果推論和統計顯著的差別。

---

來源：https://aiterms.tw/terms/causal-inference
快查頁：https://aiterms.tw/terms/causal-inference
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-causal-inference