Quan hệ nhân quả

Quan hệ nhân quả hay causation mô tả tình huống trong đó một thay đổi ở yếu tố này thực sự tạo ra thay đổi ở yếu tố khác.

Nói đơn giản:

A gây ra B.

Nhưng chứng minh câu này khó hơn rất nhiều so với việc quan sát rằng A và B cùng thay đổi.

Đó là lý do cần phân biệt causation với correlation.

Correlation cho biết hai biến có xu hướng thay đổi cùng nhau.

Causation đi xa hơn và nói rằng thay đổi ở một biến tạo ra tác động lên biến còn lại.

Ví dụ doanh thu tăng cùng ngân sách quảng cáo.

Đây có thể là correlation.

Nhưng chưa đủ để kết luận tăng ngân sách quảng cáo đã gây ra toàn bộ mức tăng doanh thu.

Có thể cùng lúc doanh nghiệp đang vào mùa cao điểm.

Có thể vừa triển khai khuyến mãi.

Có thể giá sản phẩm thay đổi.

Có thể số điểm bán tăng.

Nhiều yếu tố có thể cùng tác động.

Đây là vấn đề của confounding.

Một confounder là yếu tố có liên quan đến cả nguyên nhân đang nghi ngờ và kết quả đang quan sát.

Nếu không kiểm soát confounder người phân tích có thể nhìn thấy một mối quan hệ rồi gán nhầm nguyên nhân.

Ví dụ doanh số kem và số trường hợp cháy nắng đều có thể tăng vào mùa hè.

Điều đó không có nghĩa ăn kem gây cháy nắng.

Nhiệt độ và thời tiết là những yếu tố liên quan đến cả hai.

Đây là ví dụ đơn giản nhưng cùng kiểu sai lầm xuất hiện rất thường xuyên trong dữ liệu kinh doanh.

Một vấn đề khác là reverse causality.

Hai biến có thể thực sự liên quan nhưng hướng nguyên nhân bị hiểu ngược.

Ví dụ một công ty thấy số nhân viên chăm sóc khách hàng tăng cùng số khiếu nại.

Không nên kết luận tuyển thêm nhân viên khiến khách khiếu nại nhiều hơn.

Cũng có thể khiếu nại tăng trước nên công ty buộc phải tuyển thêm nhân viên.

Hướng thời gian rất quan trọng trong suy luận nhân quả.

Nguyên nhân phải xảy ra trước hậu quả.

Nhưng việc A xảy ra trước B vẫn chưa đủ để chứng minh A gây ra B.

Hai sự kiện có thể chỉ tình cờ xảy ra theo thứ tự đó.

Hoặc cả hai cùng do một yếu tố khác gây ra.

Đây là lý do một chuỗi thời gian đẹp chưa phải bằng chứng nhân quả.

Randomized Controlled Trial hay thử nghiệm ngẫu nhiên có đối chứng là một phương pháp mạnh để đánh giá tác động nhân quả khi có thể thực hiện phù hợp.

Trong một thử nghiệm đơn giản người tham gia được phân ngẫu nhiên vào các nhóm khác nhau.

Một nhóm nhận can thiệp.

Nhóm khác đóng vai trò đối chứng.

Nếu randomization hoạt động tốt thì các yếu tố khác có xu hướng được cân bằng giữa các nhóm.

Khi đó sự khác biệt trong kết quả có cơ sở mạnh hơn để được gắn với intervention.

Trong sản phẩm số một phiên bản quen thuộc của cách tiếp cận này là A/B Testing.

Ví dụ một nhóm người dùng thấy nút mua hàng phiên bản A.

Nhóm khác thấy phiên bản B.

Nếu việc phân nhóm đủ ngẫu nhiên và các yếu tố khác được kiểm soát thì chênh lệch conversion rate có thể được diễn giải như tác động của thay đổi giao diện với mức độ tin cậy phù hợp.

Nhưng A/B Testing không tự động tạo ra causation đúng.

Experiment vẫn có thể sai.

Sample quá nhỏ.

Randomization lỗi.

Hai nhóm bị ảnh hưởng lẫn nhau.

Metric được chọn sau khi nhìn dữ liệu.

Test dừng quá sớm.

Hoặc có nhiều thay đổi cùng lúc.

Tất cả đều có thể làm kết luận yếu đi.

Do đó causal reasoning vẫn cần ngay cả khi có experiment.

Trong nhiều tình huống không thể chạy randomized experiment.

Ví dụ không thể ngẫu nhiên cho một nhóm người hút thuốc nhiều năm chỉ để đo tác động sức khỏe.

Khi đó nhà nghiên cứu phải dựa vào observational data.

Đây là nơi Causal Inference trở nên quan trọng.

Causal Inference là tập hợp các khái niệm và phương pháp nhằm suy luận tác động nhân quả từ dữ liệu dưới những giả định được nêu rõ.

Các phương pháp có thể bao gồm matching propensity score instrumental variables difference-in-differences regression discontinuity hoặc những cách tiếp cận khác.

Mỗi phương pháp dựa trên những giả định riêng.

Nếu giả định không đúng thì kết luận nhân quả có thể không còn đáng tin.

Đây là điểm cực kỳ quan trọng.

Một phương pháp thống kê phức tạp không tự động biến dữ liệu quan sát thành bằng chứng nhân quả.

Model đẹp không sửa được một thiết kế nghiên cứu sai.

Counterfactual là một ý tưởng nền tảng trong suy luận nhân quả.

Giả sử một khách hàng nhìn thấy quảng cáo và sau đó mua hàng.

Muốn biết quảng cáo có gây ra giao dịch hay không ta cần biết:

Nếu cùng khách hàng đó không nhìn thấy quảng cáo thì họ có mua hay không?

Đó là counterfactual.

Vấn đề là ta không thể quan sát cùng một người trong cùng một thời điểm ở cả hai trạng thái.

Ta chỉ thấy một trong hai.

Đây là lý do suy luận nhân quả khó.

Experiment cố gắng tạo ra nhóm đối chứng tương tự để ước tính counterfactual.

Các phương pháp causal inference khác cũng cố gắng giải quyết bài toán tương tự bằng nhiều cách.

Một khái niệm quan trọng khác là treatment.

Treatment là intervention hoặc yếu tố mà ta muốn đo tác động.

Ví dụ:

Nhìn thấy quảng cáo.

Nhận voucher.

Sử dụng giao diện mới.

Được gọi điện chăm sóc.

Hoặc tham gia một chương trình đào tạo.

Outcome là kết quả quan tâm.

Ví dụ conversion revenue retention thời gian hoàn thành hoặc một metric khác.

Causal question thường có dạng:

Treatment này tạo ra thay đổi bao nhiêu trên outcome?

Đây là câu hỏi khác với:

Những người nhận treatment có outcome cao hơn không?

Câu thứ hai chỉ mô tả khác biệt quan sát.

Câu thứ nhất hỏi về tác động.

Sự khác nhau này rất quan trọng.

Ví dụ những khách hàng nhận cuộc gọi chăm sóc có thể có tỷ lệ mua lại cao hơn.

Nhưng có thể đội sales vốn chỉ gọi những khách hàng được đánh giá là có tiềm năng cao.

Khi đó selection bias đã xuất hiện.

Nhóm được gọi vốn đã khác nhóm không được gọi.

Không thể lấy chênh lệch mua lại rồi quy toàn bộ tác động cho cuộc gọi.

Đây là một ví dụ rất thực tế về causal inference trong kinh doanh.

Selection Bias là một trong những vấn đề lớn khi phân tích dữ liệu quan sát.

Nếu cách một đối tượng đi vào nhóm treatment có liên quan tới outcome thì so sánh trực tiếp dễ bị lệch.

Randomization giúp giảm vấn đề này vì treatment được phân bổ ngẫu nhiên.

Nếu không randomize được thì cần phương pháp khác và giả định phù hợp.

Confounding cũng thường được minh họa bằng causal diagram hoặc Directed Acyclic Graph.

DAG giúp người phân tích thể hiện giả thuyết về cách các biến có quan hệ nhân quả với nhau.

Nó không chứng minh graph đó đúng.

Nhưng buộc người phân tích phải nói rõ mình đang giả định điều gì.

Đây là giá trị lớn.

Nhiều lỗi phân tích xuất hiện vì giả định nằm trong đầu người phân tích nhưng không bao giờ được viết ra.

Causal diagram giúp đưa chúng ra ánh sáng.

Không phải biến nào liên quan cũng nên được đưa vào regression để “control”.

Đây là một hiểu nhầm phổ biến.

Control sai biến có thể tạo thêm bias.

Ví dụ điều chỉnh một mediator hoặc collider trong một số causal structure có thể làm kết quả khó diễn giải hơn.

Do đó causal inference không phải chỉ là:

Cho tất cả biến vào model.

Cần hiểu vai trò nhân quả giả định của từng biến.

Mediator là biến nằm trên đường tác động từ nguyên nhân tới kết quả.

Ví dụ một chương trình đào tạo có thể làm tăng kỹ năng rồi kỹ năng làm tăng hiệu suất.

Kỹ năng lúc này có thể đóng vai trò mediator.

Nếu control mediator trong khi muốn đo tổng tác động của chương trình thì ta có thể vô tình loại bỏ một phần chính tác động cần đo.

Collider là một cấu trúc khác có thể tạo ra association giả khi bị condition không đúng cách.

Đây là khái niệm nâng cao hơn nhưng rất quan trọng trong causal inference.

Nó cho thấy thêm biến vào model không phải lúc nào cũng làm phân tích tốt hơn.

Quan hệ nhân quả cũng có thể khác nhau giữa các nhóm.

Một treatment có thể hiệu quả với khách hàng mới nhưng gần như không ảnh hưởng đến khách hàng trung thành.

Đây được gọi là heterogeneous treatment effect.

Average Treatment Effect có thể che mất những khác biệt này.

Vì vậy sau khi biết “trung bình treatment có tác động” câu hỏi tiếp theo có thể là:

Tác động lên ai?

Nhưng phân tích subgroup cũng cần cẩn thận.

Nếu chia dữ liệu thành quá nhiều nhóm rồi chọn nhóm có kết quả đẹp nhất thì rất dễ tạo ra false discovery.

Cần có giả thuyết hoặc phương pháp kiểm soát phù hợp.

External validity cũng quan trọng.

Một experiment chứng minh tác động trên một population không có nghĩa tác động giống hệt ở population khác.

Ví dụ một thử nghiệm trên khách hàng mới ở TP.HCM chưa chắc áp dụng nguyên vẹn cho khách hàng lâu năm tại thị trường khác.

Causal effect luôn có context.

Internal validity hỏi liệu kết quả trong nghiên cứu có thực sự phản ánh causal effect hay không.

External validity hỏi kết quả đó có thể áp dụng tới đâu.

Cả hai đều quan trọng.

Quan hệ nhân quả cũng cần xem time horizon.

Một chương trình khuyến mãi có thể làm conversion tăng ngay hôm nay nhưng làm khách quen chờ khuyến mãi ở những lần sau.

Tác động ngắn hạn và dài hạn có thể khác nhau.

Nếu chỉ đo metric trong ba ngày kết luận có thể bỏ qua hậu quả dài hơn.

Đây là lý do causal question nên nêu cả thời gian.

Ví dụ:

Voucher 10 phần trăm làm tăng conversion trong 7 ngày bao nhiêu?

rõ hơn:

Voucher có hiệu quả không?

Câu hỏi càng chính xác càng dễ thiết kế phân tích phù hợp.

Causal inference cũng liên quan đến interference.

Nhiều experiment giả định treatment của một người không ảnh hưởng outcome của người khác.

Nhưng giả định này không phải lúc nào cũng đúng.

Ví dụ marketplace social network hoặc chương trình referral có thể tạo tác động giữa người dùng.

Nếu một người được treatment làm thay đổi hành vi của người khác thì việc phân tích từng cá nhân độc lập có thể không phù hợp.

Trong kinh doanh một lỗi thường gặp là sử dụng dashboard để kết luận nguyên nhân.

Dashboard cho biết:

Traffic giảm.

Conversion giảm.

Doanh thu giảm.

Nhưng dashboard không tự nói traffic giảm đã gây ra toàn bộ mức giảm doanh thu.

Dashboard chủ yếu giúp quan sát.

Suy luận nguyên nhân cần thêm phân tích.

Một lỗi khác là nhìn trước và sau một thay đổi.

Ví dụ:

Tuần trước conversion 3 phần trăm.

Tuần này đổi giao diện.

Conversion lên 4 phần trăm.

Sau đó kết luận giao diện mới làm conversion tăng 33 phần trăm.

Có thể đúng.

Nhưng thiết kế trước sau này chưa loại trừ mùa vụ campaign traffic mix giá sản phẩm hoặc hàng loạt yếu tố khác.

Muốn nói mạnh hơn về causation cần thiết kế tốt hơn.

Regression có thể hỗ trợ kiểm soát một số biến quan sát.

Nhưng regression không tự biến association thành causation.

Causal interpretation phụ thuộc thiết kế dữ liệu assumptions và causal structure.

Một model có R-squared rất cao vẫn có thể không trả lời được câu hỏi nhân quả.

Prediction và causation là hai mục tiêu khác nhau.

Một model dự đoán khách hàng nào sẽ churn rất tốt chưa chắc cho biết hành động nào sẽ ngăn churn.

Đây là khác biệt cực kỳ quan trọng trong Data Science.

Prediction hỏi điều gì sẽ xảy ra.

Causal inference hỏi điều gì sẽ xảy ra nếu chúng ta can thiệp.

Hai câu hỏi nghe gần nhau nhưng khác bản chất.

AI và Machine Learning cũng không tự giải quyết causal inference.

Một mô hình rất mạnh có thể học association cực tốt.

Nó vẫn có thể không biết nguyên nhân.

Nếu dữ liệu lịch sử chứa confounding model có thể học luôn confounding đó.

Nhiều dữ liệu hơn không tự động chữa lỗi causal design.

Điều cần thiết là câu hỏi đúng và thiết kế đúng.

Một quy trình đơn giản khi muốn đưa ra kết luận nhân quả có thể là:

Xác định treatment → xác định outcome → mô tả causal hypothesis → xác định confounder → chọn thiết kế experiment hoặc observational method → kiểm tra assumptions → ước lượng effect → đánh giá uncertainty → kiểm tra robustness → diễn giải trong đúng context.

Trước khi nói “A gây ra B” nên tự hỏi:

A có xảy ra trước B không?

Có biến thứ ba nào giải thích cả hai không?

Có khả năng causality chạy theo chiều ngược lại không?

Treatment được chọn như thế nào?

Có nhóm đối chứng hợp lý không?

Có bằng chứng thực nghiệm không?

Assumption nào đang được dùng?

Kết quả có thể áp dụng cho population nào?

Nếu chưa trả lời được những câu hỏi này cách diễn đạt thận trọng hơn thường là:

A có liên quan đến B.

Thay vì:

A gây ra B.

Chỉ khác vài chữ.

Nhưng khác rất nhiều về mức độ bằng chứng.

Tag Quan hệ nhân quả tổng hợp các bài viết và kiến thức về causation correlation confounding counterfactual A/B Testing randomized experiment causal inference selection bias và cách đánh giá tác động nhân quả đúng trong thống kê và phân tích dữ liệu.