因果数据科学
在无法随机分配处理时如何估计因果效应
A/B测试是因果推断的黄金标准，因为它们允许我们在最小的假设下进行有效的因果陈述，得益于随机化。事实上，通过随机分配处理（药物、广告、产品等），我们能够比较感兴趣的结果（疾病、公司收入、客户满意度等）在对象（病人、用户、客户等）之间的差异，并将平均结果的差异归因于处理的因果效应。
然而，在许多情况下，由于伦理、法律或实际原因，无法随机化处理。一种常见的在线设置是按需功能，例如订阅或高级会员。其他情况包括我们无法区分客户的功能，如保险合同，或者功能已经硬编码到了深度程度，实验可能不值得。在这些设置中，我们仍然可以进行有效的因果推断吗？
答案是肯定的，感谢工具变量和相应的实验设计称为鼓励设计。在上述许多情况下，我们无法随机分配处理，但我们可以鼓励客户接受处理。例如，我们可以提供订阅折扣或者改变选项呈现的顺序。虽然客户保留接受处理的最终决定权，但我们仍然能够估计因果处理效应。让我们看看如何实现。
评估订阅计划
在本文的剩余部分，我们将使用一个示例来说明。假设我们是一家产品公司，开始每周发送通讯以促销产品和功能更新。我们想要了解通讯是否值得投入精力以及是否最终能够成功地增加销售额。不幸的是，我们无法进行标准的A/B测试，因为我们无法强制客户订阅通讯。这意味着我们不能评估通讯吗？并不完全如此。
假设我们还在我们的移动应用程序上进行了一个新的通知的A/B测试，该通知是用于推广通讯的。我们的一部分客户随机选择了…