题目重点：定义干预与ATE/ATT，区分预测关联、随机实验和观察识别条件，检查混杂/重叠。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 以用户二元干预A和成熟结果Y为例，定义Y(1)/Y(0)与ATE=E[Y(1)−Y(0)]；单用户不能同时观察两种反事实。
- 干预版本、观察窗、用户总体和跨用户干扰必须确认，不能把预测模型特征重要性当因果效果。
解题路线
- 先说问题是谁在何时接受哪种处理，相比什么、结果何时测，估ATE/ATT/某群体效应。改变目标总体会改变需哪些识别/运输假设，不用一句“算correlation”代替。
- 随机分组在有效执行下让处理与潜在结果可交换；分析ITT保持随机化组，不按处理后点击/遵从筛样本。缺失、干扰、跨端污染或后分组剔除仍可能破坏目标分析。
- 观察数据若要用条件调整，需给一致性、给定前处理X的可交换性和positivity。混杂变量选取靠领域/图与时间，不是把所有预测强特征都塞回归；中介/碰撞变量可能导致不同目标或偏差。
- 在这些条件下可用标准化/结果回归、倾向加权等估计；高预测精度不能证明无未测混杂。倾向极端权重提示重叠差，截权会改变偏差/目标，须做敏感性。
- 其他设计如DiD需平行趋势等条件，IV需工具相关/排除/识别假设，RDD需阈值附近连续性/操纵检查。不是随便轮流跑方法取显著就有因果。
- 最后报告效应区间、重叠/稳健性与不可检验假设；当前证据无法识别时说明需要何种实验或测量，不能用更复杂NN补掉信息缺口。
手动走一遍
活跃用户更愿试新UI也更常下单，观察到新UI组高购买率可能来自活跃度混杂。随机分配可识别分配的效果；只比较两组“点击过的人”又条件于受UI影响的变量，失去原ITT对照。
规模与取舍
估计成本随样本、协变量、模型训练/交叉拟合/重采样次数变化；识别是假设与设计问题，算力更大不能解决没有重叠或关键混杂未观测。
易错点与追问
容易失分的边界
- 关联/特征重要性当因果。
- 处理后变量随意调整。
- 只保点击者当随机对照。
- 倾向模型准确就说无混杂。
- 多方法挑显著结果。
继续深挖
- ATE与ATT怎样改变权重？
- 用户之间有曝光干扰如何随机化？
- 重叠不足时能换哪个目标总体？
- 不测关键混杂能给什么敏感性分析？
技术参考
- Effect Identification（原文）：positivity/exchangeability/consistency识别条件参考。
- Causal Inference: What If（作者教材）：识别假设参考；本文UI例子自拟，不讨论医疗干预。
