数据质量对因果推断效度的影响结题报告.docVIP

数据质量对因果推断效度的影响结题报告

一、数据质量维度与因果推断的内在关联

因果推断的核心目标是揭示变量间的因果关系，即确定处理（Treatment）对结果（Outcome）的真实影响。这一过程高度依赖数据的可靠性，数据质量的瑕疵会从根本上干扰因果关系的识别与估计。本研究将数据质量划分为完整性、准确性、一致性、时效性和代表性五大核心维度，各维度与因果推断效度的关联机制如下：

（一）数据完整性：避免样本偏差的基础

数据完整性指数据集包含研究所需全部变量和观测值的程度。在因果推断中，缺失数据是最常见的完整性问题，其影响因缺失机制不同而存在差异。当数据完全随机缺失（MCAR）时，缺失与处理和结果均无关，简单删除缺失样本虽会减少样本量，但不会引入偏差；当数据随机缺失（MAR）时，缺失仅与已观测变量相关，可通过多重插补、倾向得分匹配等方法校正偏差；而当数据非随机缺失（MNAR）时，缺失与未观测的处理或结果变量相关，此时任何基于观测数据的校正方法都难以完全消除偏差，直接导致因果效应估计值偏离真实值。

例如，在一项关于在线教育平台课程对学生成绩影响的研究中，若成绩较差的学生更可能不提交课后测试数据，这种非随机缺失会使观测到的成绩整体偏高，进而高估课程对成绩的提升作用。此外，变量缺失也会破坏因果推断的假设，如遗漏关键混淆变量（Confounder）会导致混淆偏差，使处理与结果的虚假关联被误判为因果