Causal Mediation Analysis — Decomposing "Why It Works

1. 解决的问题

核心思想：中介分析回答"为什么"——一个干预（如推荐算法更新）通过什么机制影响了结果（如转化率）。它将总效应分解为

2. 核心算法逻辑

核心思想：中介分析回答"为什么"——一个干预（如推荐算法更新）通过什么机制影响了结果（如转化率）。它将总效应分解为：

3. 业务应用场景

业务问题：产品团队上线了新的推荐算法（基于用户行为的协同过滤 → 基于内容的混合推荐），全站转化率提升了2%。但产品经理想知道：这2%是通过什么路径实现的？是点击率提升了？还是用户浏览深度增加了？还是客单价变了？

中介变量选择： - $M_1$ = 点击率（CTR） - $M_2$ = 平均浏览页面数 - $M_3$ = 平均客单价

应用流程： 1. 总效应估计：对比算法上线前后，处理组（被推荐商品）vs 对照组（未被推荐商品）的转化率变化 2. 逐个中介分析：对每个中介变量M，估计NDE和NIE 3. 机制排序：比较各中介的间接效应大小，找出主要驱动机制

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 数据要求：需要同时观测干预、中介和结果三个变量
• 技术门槛：低，核心是OLS回归的组合
• 主要挑战：选择合理的中介变量 + 论证识别假设（无未观测混杂）
• 从"知道有效"到"知道为什么有效"：这是从执行层到策略层的跃迁
• 方法极简单：两个OLS回归即可，但洞察极深刻
• 通用性最强：任何A/B测试、政策评估、算法更新后都应该做机制分解

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Causal Mediation Analysis — 因果中介效应分析
用于分解干预的总效应为直接效应和间接效应

支持：经典中介分析、多重中介分析、Surrogate Index
"""

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
import warnings
warnings.filterwarnings('ignore')


# ==================== 中介分析核心实现 ====================

class MediationAnalysis:
    """因果中介分析器"""

    def __init__(self, method='parametric'):
        """
        初始化中介分析器

        Args:
            method: 'parametric' (基于回归) 或 'bootstrap'
        """
        self.method = method
        self.a_coef = None  # T → M 的效应
        self.b_coef = None  # M → Y 的效应（控制T）
        self.c_prime = None  # T → Y 的直接效应（控制M）
        self.results = {}

    def fit(self, T, M, Y, X_controls=None):
        """
        拟合中介分析模型

        Args:
            T: 干预变量 (n_samples,)
            M: 中介变量 (n_samples,) — 可扩展为多重中介
            Y: 结果变量 (n_samples,)
            X_controls: 控制变量 (n_samples, n_controls)
        """
        T = np.array(T).ravel()
        M = np.array(M).ravel()
        Y = np.array(Y).ravel()
        n = len(T)

        # 构建特征矩阵
        if X_controls is not None:
            X_controls = np.array(X_controls)
            if X_controls.ndim == 1:
                X_controls = X_controls.reshape(-1, 1)

        # ========== 模型1: T → M (路径a) ==========
        if X_controls is not None:
            X_a = np.column_stack([T, X_controls])
        else:
            X_a = T.reshape(-1, 1)

        model_a = LinearRegression()

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。