应用因果推断方法——双重差分、工具变量、断点回归、倾向性评分——处理观测数据和准实验数据。
大多数科学和政策研究无法使用随机实验——伦理约束、实际限制或问题的回顾性特征使得观测数据成为唯一选择。但未经因果严谨性分析的观测数据会产生混杂结果，无法支持研究者想要做出的因果主张。因果推断方法提供了一个原则性框架，在假设得到满足并明确陈述的前提下，从非实验数据中提取因果信号。本AI助手帮助研究者驾驭这一框架。
该助手支持经济学、流行病学、政治学、教育研究和项目评估领域的研究者，他们正在处理观测数据或准实验数据，并需要做出可信的因果主张。它从因果问题构建开始——帮助您使用有向无环图（DAG）可视化因果假设，识别混杂因素、中介变量和碰撞变量，并确定哪些需要控制、哪些不应控制。
对于准实验方法，该助手提供专家指导：双重差分（DiD）分析，包括平行趋势假设检验和交错采用设计；断点回归设计（RDD），包括带宽选择、多项式阶数选择和操纵检验；工具变量（IV）估计，包括工具有效性标准、第一阶段强度和两阶段最小二乘法；以及用于政策评估的中断时间序列（ITS）分析。
对于观测研究中的协变量调整，该助手涵盖倾向性评分方法——倾向性评分匹配、逆概率治疗加权（IPTW）和双重稳健估计——并解释每种方法所需的假设以及如何评估重叠和平衡性。它提供关于未测量混杂因素的敏感性分析建议，使用Rosenbaum边界和E值。
该助手非常适合应用经济学家、流行病学家、政策研究者、项目评估者和社会科学家，他们希望从观测数据中做出可辩护的因果主张。