causal-inference-root-cause

因果推断与根因分析

目录

• 工作流
  • 1. 定义效应
  • 2. 生成假设
  • 3. 构建因果模型
  • 4. 检验因果关系
  • 5. 记录并验证
• 常见模式
• 防护措施
• 快速参考

关键概念：根因（根本问题）、近因（直接触发因素）、混杂变量（造成虚假相关性的第三因素）、反事实（“如果没有 X，会发生什么？”）以及因果机制（X 影响 Y 的途径）。

快速示例：

# Effect: Website conversion rate dropped 30%

## Competing Hypotheses:
1. New checkout UI is confusing (proximate)
2. Payment processor latency increased (proximate)
3. We changed to a cheaper payment processor that's slower (root cause)

## Test:
- Rollback UI (no change) → UI not cause
- Check payment logs (confirm latency) → latency is cause
- Trace to processor change → processor change is root cause

## Counterfactual:
"If we hadn't switched processors, would conversion have dropped?"
→ No, conversion was fine with old processor

## Conclusion:
Root cause = processor switch
Mechanism = slow checkout → user abandonment

工作流

复制此检查清单并跟踪进度：

Root Cause Analysis Progress:
- [ ] Step 1: Define the effect
- [ ] Step 2: Generate hypotheses
- [ ] Step 3: Build causal model
- [ ] Step 4: Test causality
- [ ] Step 5: Document and validate

步骤 1：定义效应

描述效应／结果（具体说明发生了什么），尽可能量化（程度、频率），确定时间线（何时开始，是否仍在持续？），确定基线（正常情况如何，发生了哪些变化？），并识别利益相关者（谁受到影响，谁需要答案？）。关键问题：我们究竟要解释什么？这是一次性事件还是反复出现的模式？如何进行客观测量？

步骤 2：生成假设

列出近因（直接触发因素／症状），识别潜在根因（潜在因素），考虑混杂因素（造成虚假关联的第三因素），并质疑假设（如果最初的理论不正确呢？）。技巧：5 Whys（反复追问“为什么”）、鱼骨图（对原因进行分类）、时间线分析（效应发生前有什么变化？）、鉴别诊断（还有什么可以解释这些症状？）。简单调查 → 使用 resources/template.md。复杂问题 → 学习 resources/methodology.md 中的高级技巧。

步骤 3：构建因果模型

绘制因果链（A → B → C → 效应），识别必要原因与充分原因，梳理混杂关系（什么因素同时影响原因和效应？），注明时间顺序（原因先于效应——这是因果关系成立的必要条件），并说明作用机制（X 如何导致 Y）。模型要素：直接原因（X → Y）、间接原因（X → Z → Y）、混杂因素（Z → X 且 Z → Y）、中介变量（X → M → Y）、调节变量（X → Y 取决于 M）。

步骤 4：检验因果关系

检查时间顺序（原因是否先于效应？），评估关联强度（相关性是否强？），寻找剂量－反应关系（原因越强 → 效应越明显？），检验反事实（如果原因不存在／被移除会怎样？），寻找作用机制（解释其如何发生），检查一致性（在不同情境下是否成立？），并排除混杂因素。证据层级：RCT（金标准）> 自然实验 > 纵向研究 > 病例对照研究 > 横断面研究 > 专家意见。使用 Bradford Hill 标准（9 个因素：强度、一致性、特异性、时间顺序、剂量－反应关系、合理性、连贯性、实验、类比）。

步骤 5：记录并验证

创建 causal-inference-root-cause.md，包含：效应描述／量化、相互竞争的假设、因果模型（因果链、混杂因素、作用机制）、证据评估、根因及其置信度、建议的测试／干预，以及局限性／替代解释。使用 resources/evaluators/rubric_causal_inference_root_cause.json 进行验证：确认已区分近因与根因、控制了混杂因素、解释了作用机制、系统地评估了证据、注明了不确定性、建议了干预措施，并承认了替代解释。最低标准：得分 ≥ 3.5。

常见模式

用于事件调查（工程）：

• 影响：系统中断、性能下降
• 假设：近期部署、流量激增、依赖项故障、资源耗尽
• 模型：时间线 + 依赖关系图 + 近期变更
• 测试：日志、指标、回滚实验
• 输出：包含根本原因和预防计划的事后分析

用于指标变化（产品/业务）：

• 影响：转化率下降、收入变化、用户参与度变化
• 假设：产品变更、季节性、市场变化、测量问题
• 模型：用户旅程 + 外部因素 + 近期实验
• 测试：队列分析、A/B 测试数据、细分分析
• 输出：因果解释及建议采取的行动

用于政策评估（研究/公共政策）：

• 影响：健康结果、经济指标、社会指标
• 假设：政策干预、混杂因素、长期趋势
• 模型：包含混杂因素和作用机制的 DAG
• 测试：双重差分、回归不连续、倾向得分匹配
• 输出：附置信区间的因果效应估计

用于调试（软件）：

• 影响：Bug、意外行为、测试失败
• 假设：近期变更、边缘情况、竞态条件、依赖项问题
• 模型：代码路径 + 数据流 + 时序
• 测试：复现、隔离、二分查找、git bisect
• 输出：包含根本原因和修复方案的 Bug 报告

防护原则

应做：

• 明确区分相关性与因果关系
• 提出多个相互竞争的假设（不要只确认第一个理论）
• 梳理混杂变量并对其进行控制
• 说明因果机制（X 如何导致 Y）
• 检验反事实（“如果 X 没有发生，会怎样？”）
• 说明置信水平和不确定性
• 承认其他可能的解释
• 根据根本原因推荐可检验的干预措施

不应做：

• 将直接原因与根本原因混为一谈
• 只挑选支持初始假设的证据
• 假定相关性意味着因果关系
• 忽略混杂变量
• 跳过机制解释（只陈述相关性）
• 在缺乏有力证据时夸大置信度
• 未检验其他可能性就停留在第一个看似合理的解释上
• 未找出根本原因就提出干预措施

常见误区：

• 后此谬误：“发生在这之后，所以是由此导致”（时间顺序 ≠ 因果关系）
• 虚假相关：两件事因第三个因素或巧合而相关
• 混杂：第三个变量同时导致 X 和 Y
• 反向因果：是 Y 导致 X，而非 X 导致 Y
• 选择偏差：样本不具代表性
• 均值回归：极端值自然会趋向平均值

快速参考

• 模板：resources/template.md - 用于根本原因分析的结构化框架
• 方法论：resources/methodology.md - 高级技术（DAG、混杂控制、Bradford Hill 标准）
• 质量评估标准：resources/evaluators/rubric_causal_inference_root_cause.json
• 输出文件：causal-inference-root-cause.md
• 关键区别：相关性（X 和 Y 同步变化）与因果关系（X → Y 的作用机制）
• 黄金标准测试：随机对照试验（消除混杂）
• 必要标准：时间顺序（原因先于结果）、机制（作用方式）、反事实（如果没有该原因会怎样）