因果分析是在统计领域内建立因果关系的实验分析。在数据分析中，我们始终对因果关系问题感到困扰，通常从统计角度对可用数据进行分析。虽然知道因果关系的金钥匙是 A/B 测试，但是由于某些原因（例如时间限制，成本或只是没有数据）无法进行测试，该怎么办。在这里，我们可以应用因果分析来估计干预（功能）对结果的影响。因果分析在本质上与机器学习建模预测不同。虽然我们可以尝试通过学习数据模式来预测结果，但是我们永远不知道在数据维度之外会发生什么。试想一下，您明天可能会考试并决定连续学习两个小时。结果是在两个小时的学习干预下您的考试成绩，但是如果您只学习一小时怎么办？有什么效果吗？我们不能倒退时间。这就是为什么我们进行因果分析而不是机器学习预测的原因。这样的反事实数据不存在，这就是机器无法学习的原因。我们只能学习一个小时的结果是我们无法观察到的，因为我们无法倒带时间。这就是为什么这种情况称为“反事实”。这是因果分析的根本问题。我们只能近似预估因果效应。

近似预估因果效应的最佳库之一是 DoWhy 包。在本文中分享如何使用 DoWhy 来确定分析中的因果关系。

DoWhy的因果分析

根据 DoWhy 官方文档，因果关系分析共有以下 4 个步骤：

根据假设对因果推理问题进行建模
确定因果效应表述（“因果估计”）
使用统计方法（例如匹配或工具变量）估计
使用各种稳健性检验来验证估计有效性

1、定义问题

在开始分析数据之前，我们需要定义要解决的问题。在客户流失数据集中，假设我们正在与信贷部门合作，我们想知道信贷额度是否对客户流失具有因果关系。信贷部门限制，任何超过 20000 的信贷额度都被视为高额客户。在这种情况下问题为：“高额信贷会影响银行流失吗？”

import pandas as pd

df = pd.read_csv('BankChurners.csv')
df.info()  

#Creating the High_Limit attribute
df['High_limit'] = df['Credit_Limit'].apply(lambda x: True if x > 20000 else False)
#Creating True or False columns from the Attrition flag for the churn column
df['Churn'] = df['Attrition_Flag'].apply(lambda x: True if x == 'Attrited Customer' else False)

2、创建因果模型

因果模型基于问题假设，这意味着该模型将基于我们的先验知识建立。我们可以在图中表示我们的先验知识。

training= df[['Customer_Age','Education_Level','Income_Category', 'High_limit', 'Churn' ]].copy()

从先验知识中，我们列出了会影响流失率和其他功能的假设：

1. 高限制类别可能会影响客户流失，因为低限制类别的人可能不那么忠诚于银行。

2. 收入类别影响信用额度上限。信用额度通常基于收入。收入类别本身可能会影响流失率。

3. 受教育程度会影响收入类别。

4. 客户年龄可能会影响他们所受的教育程度和收入类别。

5. 不可观察的混杂因素正在影响收入类别，最高限额和客户流失。

将所有假设创建到图中，可以使用 DoWhy 包。

#Creating the 
causal_graph = """
digraph {
High_limit;
Churn;
Income_Category;
Education_Level;
Customer_Age;
U[label="Unobserved Confounders"];
Customer_Age -> Education_Level; Customer_Age -> Income_Category;
Education_Level -> Income_Category; Income_Category->High_limit;
U->Income_Category;U->High_limit;U->Churn;
High_limit->Churn; Income_Category -> Churn;
}
"""

from dowhy import CausalModel
from IPython.display import Image, display
model= CausalModel(
        data = training,
        graph=causal_graph.replace("\n", " "),
        treatment='High_limit',
        outcome='Churn')
model.view_model()
display(Image(filename="causal_model.png"))

得到如下的因果关系图：

3、确定因果关系

因果分析的定义是，如果除干预外的其他变量不变时，干预的改变将影响结果。使用 DoWhy 因果模型确定因果效应。

#Identify the causal effect
estimands = model.identify_effect()
print(estimands)

这是根据我们之前的假设所做的估算。

4、基于统计方法估算因果效应

干预对结果的因果关系基于干预变量值的变化。统计因果效应的方法有很多，常用的有以下几种：

1. 倾向得分匹配

2. 倾向得分分层

3. 基于倾向得分的逆概率加权法

4. 线性回归

5. 广义线性模型（例如，逻辑回归）

6. 工具变量

7. 断点回归

这里我将使用“基于倾向得分的逆概率加权”方法。

#Causal Effect Estimation
estimate = model.estimate_effect(estimands,method_name = "backdoor.propensity_score_weighting")
print(estimate)

从上面的结果中，我们得到的平均估计值为 -0.095，相当于说当客户拥有较高的信用额度时，流失的可能性降低了约 9％。

5、稳健性检验

因果效应估计是基于数据统计估计，但因果关系本身并不基于数据；而是基于我们之前的假设。

使用 DoWhy 包，我们可以通过多次稳健性检验来测试我们的假设有效性。这些是可用于检验假设的一些方法：

1. 添加随机生成的混杂因素

2. 添加与干预和结果相关的混杂因素

3. 安慰剂（随机）变量代替干预

4. 选取数据随机子集

随机共同因子

将独立随机变量作为共同影响因子添加到数据集；如果原假设是正确的，则估计不应改变。

refutel = model.refute_estimate(estimands,estimate, "random_common_cause")
print(refutel)

数据子集

用随机选择的子集替换给定的数据集；如果假设是正确的，则估计值不应有太大变化。

refutel = model.refute_estimate(estimands,estimate, "data_subset_refuter")
print(refutel)

安慰剂干预

用独立的随机变量代替真实的干预变量；如果假设是正确的，则估计值应接近零。

refutel = model.refute_estimate(estimands,estimate, "placebo_treatment_refuter")
print(refutel)

基于上面的 refutal 方法；可以支持我们的假设是正确的，即信用额度上限对客户流失具有因果关系。

6、结论

因果分析是在统计领域内建立因果关系的实验分析。它从根本上与机器学习预测不同，因为我们尝试根据反事实来近似估计干预效应。使用 Microsoft 开源的 DoWhy 包，使用四个步骤来估计因果关系：

1. 建立因果模型

2. 识别效应

3. 估计效应

4. 证实有效性

   数据链接：https://github.com/cornelliusyudhawijaya/Churn_Causality_Analysis/blob/main/BankChurners.csv