期权

今天周一，工作很忙，一天像个陀螺一样转不停。 事实上每天都差不多。 下班时间到，只是时间到了。还 有很多事要做。随手打开社区，换个思维环境，当做放松一下。看到这个话题，忍不住回答一下。 尽管我已经来深圳10年了，对你的问题有一肚子话要说，却不知从何说起。 简单列几句吧： 1、你有前途，只要你不懒。 2、结合实际情况：学历、技能、背景之类，给自己一个切实的目标。俗一点吧：熟悉一个行业、熟悉一个岗位，三年存10万元。 3、按照上述目标，找一份“辛苦”的工作。然后每天忙得像狗一样。 4、不看鸡汤，不做微商，底薪超过6000的工作你现在别去。 一年后，我相信你不会再迷茫的问这个问题。三年后，你大概会自己做好人生规划的。 祝你好运！ 回复

1.避开违法犯罪的挣钱办法。 2.保持身体健康，每天跑跑步，听听喜欢的歌，有自己的小世界。 3.放大你的欲望，不破不立。 4.不要一直穷下去，穷下去。 没学历不代表没有文化，多看书，让自己保持良好的素养。能力是先天和后天的组合，不要否定你已经得到的一些能力，不要矫情，题主比我刚来深圳的时候思路清晰多了。 祝好。 回复

深圳这个城市，拥有很多奇迹，到现在还记得来深圳看见的第一句话，来了就是深圳人，老铁，祝贺你来了深圳，无论前路如何，依旧善存良知 回复

边打工别学习 说起来可能轻松 但是做到很难 时间和金钱都是考验 高中毕业工作两年年龄也不大 可以再进入大学学习的 你也看见了工厂区脏乱差 但是每天坐在高档写字楼里的上班族也是烦恼不断 主要看想成为什么样的人 愿意为了你的想法努力多少 你想要进入市中心工作 想去干净繁华的地方 那就拿个大学文凭 再去找更好的工作 深圳大学就可以在职读书 周末上课 以后就有大学文凭了。我就遇见过初中就辍学然后在深圳工厂工作又去读职高 然后大学 最后希望你能在深圳这座年轻人居多的城市 在这样每个人都拼搏的环境中能体会到它真正的魅力 实现自己的心愿。 回复

我来深圳也7年了，只有中专文凭，人又没有上进心，一直在一个厂里做文员工作，现在工资4500，在公司吃一天10元，住公司单间一个月500. 说实话我都想回老家了，毕竟我这种没有上进心又没有自制力的人在这个城市也没啥作为，就是思想上的巨人，行动上的矮子。 你有上进心很好，我觉得还是得学习，不管是函授大学也好，或一技之长也好，有空的时间利用起来。 不要进厂做一线工人，没有一点技术含量，没有学习空间，每天加班到很晚，可以学做销售、人力资源等。 我的眼光也很浅，只有这点建议。 回复

打个骨折，每个月4000都能活下来，这主要取决于你怎么活了 回复

没问题，过的还可以不错 回复

当然可以活下来，如果不考虑存钱，还是有不错的生活质量的，很多人刚开始都达不到这个水平，只不过如果一直这个工资，在深圳买房就不可能了 回复

深圳工厂工人很多都是6000以下，题主可以向他们讨教一下 回复

能不能活关键是看你怎么花。 要知道，2019年深圳市平均薪资税前是9440元左右，在全国排名第三。由此可见，在深圳，月薪8000在平均线下，税后到手6400左右，吃穿住行每样开支必不可少的前提下，你在深圳应该只能过上很普通的普通生活。 假设如果你不是深圳本地人，即使住在龙华、西乡、西丽这些地方，每个月的房租水电也要1500左右，写字楼附近的饮食，差一点的20元/顿快餐，一天早中晚50元支出，每月1500元左右，交通费公交接驳地铁，16元/天，合计480四舍五入500元，其他加上通讯、日用、水电等，每个月可能差不多花费1000元，这样算下来6400--1500-1500-500--1000=1900。剩下的这些你一年存20000。（期间不能生病，不能回老家，否则有亲朋好友结婚什么的给个份子钱、看个一生什么的） 如果想买房结婚生子，那你必须不吃不喝50年，勉强凑个100万的首付， 即使你的公司福利好，年底有3-6个月的月薪年终奖（一般企业年终奖就是两个月薪水，能给到6个月薪水的公司算是非常有钱的了），一年估计也就存个3-5万块，但现在在深圳，房价可是都是4-5万一平米，那也就是说，辛辛苦苦干一年，回头来，还不能在深圳买个一平米。从这个角度上来说，在深圳，8000的税前工资，实在是不多。 当晚我们活在当下，也要结合行业谈薪水，如果是本科毕业的，起薪8000，那也算是不错的起点了。这两年，起薪最高的就要数互联网行业了，精英君去查询了一下18年的互联网校招清单，里面的薪水真是让人感到羡慕妒忌啊。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-cef68894baa5a960d087bcacb4700ade.jpg 无忧精英网上深圳，年薪达到40W以上的职位，像金融、地产、汽车、医药等行业，总监级别的才能普遍达到这个标准，而在互联网行业，除了总监级别之外的，很多设计人工智能、算法、JAVA的工程师年薪都妥妥的超过了40W。可见，技术类人才在深圳这个创新之都有着非常多的机会，起薪很高，薪水的上升空间也很大。 临渊羡鱼不如退而结网，现今本科毕业的工资只是你踏入职场的起点，不必太纠结这个起点与别人相比究竟是高还是低。既然你已经选择了深圳，这个机会与压力并存的城市，那你更加注重的应该是如何积累个人的实力，不管是软经验还是硬知识，如果埋头苦干的同事还可以跟上时代潮流，顺着封口继续自己飞翔的力量。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-0a15cbf522772bbe409186e212994656.jpg 有人说，这是最坏的时代，也有人说，这是最好的时代。只要相信自己，未来就是光明的，一定要让你的努力配得上你的目标。加油！ 回复

算。很算。就是了好吗。 长期这么下来你会发现不仅生活节奏不规律该干啥该上课该学习该锻炼的时候你都在睡觉。如果住宿的话还会发现你跟所有人生活规律都不一致，渐渐脱离开群体，然后在堕落的日子一去不复返…… 而且老实说记忆力跟集中注意真的会慢慢慢慢下降。等到发现的时候可能都已经出现经常偏头痛黑眼圈一大片印堂发黑皮肤发糙甚至还会长胖…… 归根结底人的生物钟不是没有道理的…… 回复

不算，因为生物种钟是可以自行调节的。如果是长期保持这个节奏，不会有什么问题。如果今年晚上十点睡，早上七点起，明天凌晨四点睡，中午十二点起。这种才算熬夜。 回复

权柄集中，施展抱负 回复

我破文表示我全都要 ……（手动狗头） 回复

让我们有请欧冠亚军榜冠军，曾经意甲九连冠的尤文图斯，对此发表重要讲话。 回复

如果是小联赛，什么希腊乌克兰奥地利，甚至塞浦路斯这种联赛，肯定是欧冠亚军>联赛冠军。 因为联赛，最后能竞争冠军的无非就是固定的几个球队，风水轮流转而已。小联赛也如此，现在要你答出认识的英超，西甲意甲球队，网友们能说出几十个甚至低级别联赛都能说出不少。 请说出你认识的乌克兰球队名字，大部分知道基辅迪纳莫和矿工队，其他的呢？还有希腊，无非就是雅典aek，奥林匹亚科斯帕纳辛奈科斯，塞沙洛尼基。对于这些球队来说风水轮流转联赛冠军根本没什么，反而是欧冠有利于打出名气。我们网友能叫出这些球队的名字，不就是欧冠吗？没有欧冠，或者他们打不进欧战，谁会认识他们啊？ 但是如果有机会拿到欧冠亚军，那已经是创本国球队的欧战记录了，历史上不可磨灭的一笔。 对于小联赛来说，肯定是欧冠亚军分量重 回复

如果你问一个英格兰球迷，欧冠冠军vs英超冠军，哪个更重要？ （作为英超球迷，我只评价英超vs欧冠） 你听到的答案，可能出乎你的预料，英超冠军。 所以，即便是欧冠冠军未必胜过联赛冠军，那么欧冠亚军的重量级又怎么能和联赛冠军比呢？这是我早年间和一个英国朋友讨论过的问题，当然，我们可以说这是英超球迷自己的一种主观认知，那么客观来讲，又是一个什么样的情况？ 1、从含“金”量来看，英超冠军的奖金是≥欧冠冠军的。 2、不同模式的比拼，联赛是一个万米长跑，从赛季开始，要规划整个赛季的打算，怎么轮换，哪些场是必须拿下的，哪些可以放放，怎么平衡杯赛和联赛的赛程，怎么保证在长期的赛季中，一名球员的健康、心理、稳定性等等，如果不稳定，那么他一定拿不到联赛的冠军。 杯赛是一个短跑赛的组合，能不能进入下一轮，存在的偶然性非常高，如果说联赛是100%依靠实力，那么杯赛就是“50%的实力+50%的运气”，所以杯赛更刺激，这也是世界杯欧洲杯虽然水平不如联赛和欧冠，但是同样激起全世界球迷的原因之一。 3、每个球队的联赛目标不同，他们就像企业，有着不同的经营和盈利模式，而这就决定了联赛更像一个俱乐部（企业）的日常经营，而杯赛更像一个俱乐部所获得的明星项目。你说哪个重要，都重要，一个光环和荣誉的上限，一个是生存和发展的下限。任何一个俱乐部，都不可能以获得欧冠冠军，亚军，作为自己球队经营的主体力量，因为俱乐部说到底仍然是企业，是企业就必须具备企业经营的特质。 举几个例子， 比如，富勒姆，西布朗，布莱顿等等这些球队，他们的目标就是留在英超，只要留在英超，他们的盈亏就算的过去了，所以，他们不会在转会市场上去拿什么大牌球员，反而一旦培养出球星，第一时间也要转让出去，趁着球星价值最高点，实现变现。 比如，曼城，曼联，皇萨仁等等，他们的目标就是要得到更多的冠军，至少留在欧冠区，这样的高回报才能匹配他们的高投入，他们都具备超强的商业运营模式，包装球星，让整个俱乐部的营业更加立体，所以，对于这些球队来讲，没有欧冠区，没有冠军荣誉，是接受不了的。 比如，二线豪门，比如多特，热刺，沦为二流的阿森纳等等，他们的目标不是非得拿下冠军，而进欧冠区，欧战区，就是他们实现俱乐部运营的目标。至于像2019年热刺进入欧冠决赛，那真的是热刺这样伪豪门的高光时刻了，但是对于皇马巴萨拜仁，那可能就是接受不了的。 所以，对于题目的问题，重要与否， 球迷眼里，球队眼里，老板眼里，不可能一致。 回复

以意甲为例，2021年意甲联赛奖金分配方案是： 第一名：2340万欧元 第二名：1940万欧元 第三名：1680万欧元 第四名：1420万欧元 英超2019的名次奖金是： 第一名：3840万英镑 第二名：3650万英镑 第三名：3460万英镑 第四名：3260万英镑 而欧冠参加小组赛阶段比赛的32支球队每支俱乐部都可以获得1525万欧元的小组赛出场费，分为预先支付1450万欧元和75万欧元余额支付。 小组赛阶段每场比赛都进行奖金分配：胜者将获得270万欧元，平局则各自获得90万欧元。因平局产生的未分配金额将按照小组赛阶段赢球场次重新分配。 获得淘汰赛资格的俱乐部将获得下一对应数量的奖金： 进入八分之一决赛：每支球队获得950万欧元； 进入四分之一决赛：每支球队获得1050万欧元； 进入半决赛：每支球队获得1200万欧元； 进入决赛：每支球队获得1500万欧元； 欧冠决赛冠军将获得额外400万欧元的奖金； 所以如果小组赛6战全胜，之后一路打进决赛，夺得欧冠亚军的话，光比赛奖金是 1525+270*6+950+1050+1200+1500=7845万欧元。 以上联赛、欧冠奖金都未计算转播收入。 所以从金钱角度来看，正确答案是：欧冠亚军份量更重。 回复

确实，也就是今天发的声明才被关注到。10月16日的事情，有一个网友说的好，主要这个裸体跳楼，这是在侮辱智商吗？好歹大家睡觉总穿内裤的。。。 回复

那我们总结一下这个事的事情经过： 1.2017年10月份，袁成杰和杨旭文都在苏州拍《金牌投资人》； 2.2017年10月15日早上，袁成杰目睹了一个女孩全果陈尸于酒店草丛里； 3.当时任娇是和父母一起去苏州旅游，14日还在逛街还发了朋友圈。 那任娇到底是怎么死的？弄清楚这件事之前，我们得弄清楚杨旭文和任娇到底是什么关系？ 任娇的朋友说，杨旭文和任娇是老朋友了，且任娇没有抑郁症。 在任娇坠楼的前几个月，媒体还拍到杨旭文拉住任娇，想让任娇上车，但是任娇不愿意。 最后任娇转身离开。 任娇离开后，杨旭文才最终关上了车门。 任娇走了以后，杨旭文又乘车来到任娇旁边，似乎再次邀请她上车，但是任娇再度摆手拒绝了。 之后杨旭文还下车找了一下任娇，找寻未果之后，才终于放弃回家。 任娇的表姐在2017年11月7日说，任娇家人还在苏州等警方给说法，但警方没有立案。 这件事直到12月1日下午1点半才终于有了新的进展，注意这个时间。 任娇经纪人接受媒体采访，称警方排除了一切可能原因后，最终认定死者是因为喝酒一时失足，属于意外。与任何人无关，没有黑幕。 2017年12月1日下午4点多，杨旭文工作室也发出了声明，称这是意外事件，和杨旭文无关。 —————————————————————————————————————— 结论： 任娇大概率是他杀的，不然哪个女生自杀时会选择全裸？这完全不符合常识！ JINGFANG说死者饮酒过量全裸跳楼，那么请问，你们有公开尸检她的血液酒精含量是多少呢？有没有试图排查他杀可能呢？检查血液和阴道体液了嘛？ 嫌疑人杨MOUWEN肯定是一个有背景或者很有钱的人。背后的运营团队（华谊）华谊为了保住他的摇钱树，要压下这点小事还不是简简单单？任娇这个事情，让官方不发声，也给够了任娇家人封口费。 仅此而已。当然，我这个推论肯定是谣言。大家最好不要相信。 回复

至少尊重死者好吗？？？你们动不动就说她吸毒自杀，理解有些人收了钱做枪手带节奏，毕竟你们也要生活，但特么就也不能什么破事都往任娇头上盖吧？吸毒有证据吗？就算是吸毒了，谁会吸玩跳楼的？你们回答问题的时候问问自己的良知吧！ 回复

因饰演新版《射雕》郭靖走红的@杨旭文 ，此前因女星任娇在其房间走出后裸跳身亡而备受争议。近日有网友曝光视频，在意外发生前的几个月，杨旭文三天连约三美女，其中俩人都带回家过夜，而强撩未遂的一位就是意外去世的任娇。当天，任娇对着车内的杨旭文在讨要着什么，但是杨旭文却明显没有给她的意思，反倒是想要姑娘上车，邀约不成后还紧跟着女方。http://m.youku.com/video/id_XMzM1NjM4MjQ4MA==.html?x&sharefrom=android&sharekey=4ada67df2cf4fe561a57fe533b60695f8&source= 回复

张紫妍是怎么死的？ 回复

前女友拉黑我了 但是我忍不住想去看她微博，今天早上发现找不到她微博了，最后发现变成用户加一串数字了，有知道的朋友解答一下吗 回复

如果我没猜错他怎么是注销了了账号要么是微博把他炸了 回复

1，从化学角度来说，二者并无本职上的区别， 主要成分都差不多，作用效果也差不多。二者并没有多大的区别，但是从成本上而言，人工合成的要比从自然界提取的成本要低的多。 2，实际上，人工在制造的时候，会添一些，防腐，色素和调味剂，这类对人的身体并无益处，还有就是你购买的过程中，有些厂家为了节省成本会以次充好，这导致市面上很多的维生素，在实际使用过程中往往达不到效果。这也是导致，人潜意识里认为人工的没有天然的好。 回复

先说答案：从天然食物中获得维生素始终是最优选择，选择维生素保健品时也更推荐天然维生素，会比人工合成维生素更易吸收、温和安全。人工合成的维生素更具风险性，甚至为安全起见不建议孕妇服用人工合成的维生素A和维生素E。 举个栗子： 1、部分人工形式的维生素活性更低，比如人工维E活性仅有天然维生素E的一半，而天然维生素E不仅更具生物活性，更易被肝脏吸收，降低器官负担。 2、天然食物中的胡萝卜素是维生素A的前导体，摄取后只会在身体需要维生素A时才会转化为维生素A，比起直接合成的维生素A来说，更能避免了维生素过量。 3、另外，天然食物成分可帮助维生素更好地被吸收，还可从食物中获得潜在的好处。 然而现在社会节奏快，并不是每个人都能保证每天健康饮食，相信很多人都做不到每天摄入500-1000克蔬菜，因此更不可能从饮食中获取身体所需的全部营养。针对这种情况，推荐大家可以选择天然维生素膳食补充剂，既可以填补每天的营养缺口，也不用过于担心安全性。 这里给大家推荐一个美国小众天然有机保健品品牌MegaFood，是一个天然的、安全膳食补充剂品牌。MegaFood所有产品都来源于天然的、非转基因的完整食物原料，不含人工合成维生素成分，比如维生素C就来自新鲜的整只柑橘。为了使维生素能更好地被吸收利用，MegaFood还会通过独特的反应过程，通过天然的完整食物原料承载维生素成分，更降低了产品服用后的刺激性。（这里也希望MegaFood品牌看到后给我账户打5毛钱） 回复

所有的维生素,无论是通过营养保健品补充,还是通过维生素含量较高的食物补充,都可在实验室中制成。合成维生素通常包含两种分子完全相同但构象对称的分子,即与天然对应物分子构象相同的和与天然对应物构象相反的维生素。可以这样理解：把一个维生素分子放在一面镜子前面,外面的是天然的维生素分子,镜子里面的是合成产生的另外一半,合成的过程无法区分两种构象。人体能利用天然维生素的那个构象,但是不能利用另外一个构象的维生素。天然维生素来源于植物、水果、动物和矿物质,然后在实验室中进行精制和加工,因含量少,提取成本高,通常贴着“天然”标签的维生素补充剂,只含有10%的植物或水果衍生成分,另外90%可能都是合成的。天然与人造维生素的化学结构与活性在多数情况下是一样的,两者对人体的作用是没有区别的。食物含有的维生素在化学结构方面与人工合成的维生素完全是一样的。因此,同是维生素,两者对人体的作用是一样的,那种认为吃贵的维生素效果更好的人,其实只是心理作用而已。 回复

天然与人工不是区别好坏的标准。人工叶酸片补充叶酸好过天然。药店最不起眼的白色小瓶装的维C与维B等，基本都是人工的，但效果是最科学可靠的，因为这是冶病的。反观日常购买所谓天然提取维生素大多是保健品对效用的要求反而不如人工生产的廉价药片。价高不等同于质好。如果真要吃某直销品牌号称天然提取维生素，建议看看海淘的价格更喜人，网易海购有购（网易公关看到后请速拨款5元到我帐户） 回复

如果都是以商品形式的浓缩物出现，那么无论来源是合成的还是天然的，都经过了加工，差别不会太大。但是如果从食物或蔬菜水果中摄取的话，差别就很大，比商品形式的浓缩物效果好很多。 回复

从现代一点的视角来看，因果推断本质上是个矩估计问题，因为想做出因果性的论断必然要依赖于假设，而这些假设一般可以用矩条件表示。比如回归里假设随机扰动外生，那么相应的矩就是(Y - X \beta)*X = 0。唯一的问题是，在observational studies中，矩条件可能会包含一些不可直接观测的nuisance parameters——常见的比如propensity score和response surface——必须通过数据加以估计，这才是我们需要模型的地方。无论是线性模型还是fancy的机器学习模型，都是在一定假设下去对这些nuisance parameters做近似。在常见的假设下，我们有doubly robustness这个良好的性质，只要把propensity score和response surface中的一个搞对，就能得到无偏估计。线性回归不过就是试图用线性模型来逼近真实的response surface，并假设近似误差足够小，不影响估计的偏误。其他很多fancy的model，比如causal forest，matrix completion，做的事情差不多，只不过利用了高阶信息，误差更小而已。 回到问题上来，直接去学习处理组和控制组的response surface，或者把数据pool在一起去learn一个统一的response surface，当然是可取的做法。同样，propensity score也可以用机器学习估计。还可以把两部分结合起来，做成doubly robust estimator。但关键是这样做了之后，能不能保证估计量具有良好的性质，比如无偏，至少渐进无偏？答案并没有那么平凡，需要我们对算法的性质有足够的了解。这也就是近年来Chernozhukov和Athey/Imbens两个组一直在努力的方向。现在我们知道，Lasso和forest都是Ok的。如果做honest inference，即先split sample，用一半估计nuisance parameters另一半估计treatment effect，那大部分机器学习算法也都适用。这里的核心想法是，要对矩条件进行处理，使其对于nuisance parameters的估计误差稳健，从而在样本足够大的时候，对effect的估计不会受太大影响。 至于为什么大家平常还跑回归……一是很多时候回归足够informative，如果散点图都不显著，那做出来的结论一般比较可疑。二是受经济学的影响，很多人觉得模型应该是theory driven的，如果理论告诉我线性模型是对的，那当然还是用线性模型（更加efficient）。三是，至少对于社会科学家来说，你搞太fancy了，reviewer也看不懂，何必呢…… 回复

题主问了一个非常好的问题，我先在正在做关于causal的research，想谈谈个人对于题主问题的理解 如果我理解正确的话，题主主要是在问可不可以把treatment(trt) 和其他变量一起扔到模型里然后预测我们的outcome。这涉及到非常重要的一个概念，causal structure，我看到别的回答有人提到了Judea Pearl的流派，这个问题用causal DAG回答是最好的，如下 假设我们有三个变量，trt W，outcome Y和另一个变量C，同时我们假设如下两种causal structure： [*]W——〉C——〉Y[*]W——〉C〈——Y请原谅我用如此粗鄙的符号，第一个的意思是W cause C，C cause Y，第二个是W和Y共同cause C(common outcome)，这里 W C Y都可以延伸为一组变量，不一定是三个变量，而这里所谓的cause也不一定是线性关系，可以是任何关系，比如C=exp(X)，causal DAG是一种nonparametric的表述因果关系方式，更多关于causal DAG的信息可以去网上查阅 好了，言归正传，题主说想吧W C扔到模型里一起预测Y，这里就出现了问题，先说结论，如果事实是无论上述假设的第一种情况，题主都得不到正确的W和Y的关系 第一种情况，C是mediator，当我们用模型Y=f(C,W)的时候我们其实是condition on C，粗鄙的说，这样的模型和因果结构会导致estimated parameter for W并不significant，让题主以为W和Y没有关系，但其实W是间接cause Y的，如果只用模型Y=f(W)是可以得到正确的关系的estimated beta for W也应是statistically显著的 第二种，C是collider，这种情况下，如果我们用模型Y=f(W,C），会得到显著的W的beta，从而以为w和y之间有因果关系，这是因为当我们condition on一个collider的时候，我们打开了一个backpath，从W到Y，但那不是因果关系，而是一种association，正确的模型是Y=f(W)，而这个模型会给出不显著的W，从而得到正确的关系 上述的讨论非常基本，而且只针对了两种causal structure，不论题主使用那种模型，都应该基于真实的causal DAG，否则模型所给出的estimation你将无法自信地解释 欢迎留言或私信提问 回复

因果效应归属为一类特殊的回归问题，处理对象的结果变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-ce020eb98bb704a4d4bd27920c72fe8b 与处理变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1e9eba693a949ee1aa8125a9b7dfe4ba 之间存在因果效应可以视为结果变量与处理变量之间随时间变化的动态关系在treatment前后存在结构性断点/变化（Structural Break/Change）的一种情况，所以如果存在treatment effect我们就可以用回归分析中structural break detecting的方法来检测因果效应，structural break的大小就是treatment effects的大小。但是，反过来不成立，有structural break不一定意味着存在因果效应！ https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-e91d9cec7516716fcee0d0b18f3e4720 因此，在回归分析（Switching Regime Model）的框架下 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-73889e8d0017e4d399dd93446e02ae79 以下我们来证明上述关系（逆推不一定成立！）。如果因果效应存在，我们尝试能否不构建结果变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-ce020eb98bb704a4d4bd27920c72fe8b 与处理变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1e9eba693a949ee1aa8125a9b7dfe4ba 之间的关系式 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-b78a26d3bcdbc2c3c6a502c5b462c523 来判断因果效应的大小（不构建reduced/structural form的原因在于规避model misspecification的风险、model assumptions以及异常值等等）。 一、动态关系建模 对于时间序列点https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-fb0bd69866a248ccc04a6741655d7304 ，我们考虑研究对象在时间序列轴 https://www.zhihu.com/equation?tex=%5Cleft%5C%7B+t+%5Cright%5C%7D_%7Bt%3D1%7D%5E%7BT%7D 上的测量数据 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-80bf3ba9960cbbe8f4a15b8753b3c9e1 ，我们进而将这个随时间变化的演变系统简化为 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-36cd501ac8da6b26b565e929b72adf12 (1) 其中 https://www.zhihu.com/equation?tex=%5CGamma%5Cleft%28+%5Ccdot+%5Cright%29%5Cin+L%5E%7B2%7D%5Cleft%28+R+%5Cright%29 为square integrable的实函数，0为 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4ee3e5439d95a408c330b77fc9defbe4 的列向量， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-7bdd3a63abc7da1800524b28d8c36067 为 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4ee3e5439d95a408c330b77fc9defbe4 的结构性外生冲击， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-04bf7803e297395437114905e874d400 为研究对象在时点 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-3b1922fd3ef8dd7c883fb35b699da495 上的测量数据，m为样本容量。对于式（1），我们假设随机向量https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-04bf7803e297395437114905e874d400 的遍历稳态（Steady State）为 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-2da68017919e6024a0d730cc4cf6a7ba ，满足 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-ec64d9d2ba716ef5bfcb838466aa213b ，且外生冲击满足 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-985d7cf6021a2395494eab0c9c1e2e82 。我们考虑方程（1）在稳定态https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-2da68017919e6024a0d730cc4cf6a7ba 处的一阶泰勒展开 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-62fdfa9c860acfc137b1f29886e38c89 (2) 其中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-814c71dc3c961b84df7763885847683b 为https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4ee3e5439d95a408c330b77fc9defbe4 的向量， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1d59969ec8ae75819d50611f53a79ea9 为函数 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-222e7952213adfa30ace43342f86c2b1 在https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-2da68017919e6024a0d730cc4cf6a7ba 处求偏导的Jacobian矩阵，即矩阵的第(i,j)个元素为式（2）中第i个方程对https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-04bf7803e297395437114905e874d400 中的第j个元素的偏导数。定义 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-024ce79dcc53443ecdca93d217f0c190 ， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-123ddc9de2c22c058a3acea102c36717 ， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-907db45209f1bc9c23486757174c19cb (3) 则式（2）可以转化为线性方程组 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-17b1c8c427010a669a061cbf9c6cbe11 (4) 于此，假设在以上研究对象之外，我们还对另外的研究对象感兴趣，并希望定量分析他们之间相互关系随时间的变化关系，那么由式（4），有 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-17b1c8c427010a669a061cbf9c6cbe11 (5) https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-7168cb5fc618ecf750e306ccc8cf557c (6) 其中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-2f3478b1f1dcf04b1a3e68904a87623b 分别为研究对象 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4246989cba3ddaa0e091d4997012b921 自身演变的Jacobian矩阵。现在我们考虑将时间因素直接纳入分析中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1862227c8862d8ef2a2a9f757e1c0d7f (7) https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-ad029d985b28ba8c803b949290c29198 (8) 我们考虑方程（7）、（8）对时间的导数： https://www.zhihu.com/equation?tex=X%5E%7B%27%7D%5Cleft%28+t+%5Cright%29%5Cequiv+dX%5Cleft%28+t+%5Cright%29%2Fdt ，https://www.zhihu.com/equation?tex=Y%5E%7B%27%7D%5Cleft%28+t+%5Cright%29%5Cequiv+dY%5Cleft%28+t+%5Cright%29%2Fdt ，那么我们感兴趣的式（1）就转变为 https://www.zhihu.com/equation?tex=%5CGamma%5Cleft%28+X%5E%7B%27%7D%28t%29%2C+Y%5E%7B%27%7D%28t%29%2C%5Ceta%5E%7B%27%7D%28t%29+%5Cright%29%3D0 (9) 与式（1）相比，式（9）描述的是一个微分方程系统，我们试图构建微分方程来描述不同研究对象之间的相互作用关系是如何随时间的变化而变迁的。由式（4）易得 https://www.zhihu.com/equation?tex=A_%7BX%7D%28t%29%28X%5E%7B%27%7D%28t%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29%3DB_%7BY%7D%28t%29%28Y%5E%7B%27%7D%28t%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (10) 其中 https://www.zhihu.com/equation?tex=%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%2C%5Cbar%7BY%5E%7B%27%7D%7D%28t%29 分别为两个研究对象随时间变化的稳态，即https://www.zhihu.com/equation?tex=%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%3D%5Cfrac%7B1%7D%7BT%7D%5Csum_%7Bi%3D1%7D%5E%7BT%7D%7BX%5E%7B%27%7D%28t_%7Bi%7D%29%7D ，使得式（9）同时也满足 https://www.zhihu.com/equation?tex=%5CGamma%5Cleft%28+%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%2C+%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%2C0+%5Cright%29%3D0 。同理，由式（4）、（5）、（6）可得 https://www.zhihu.com/equation?tex=A_%7BX%7D%28t%29%28X%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%2B1%29%29%3DB_%7BX%7D%28t%29%28X%5E%7B%27%7D%28t%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29 https://www.zhihu.com/equation?tex=A_%7BY%7D%28t%29%28Y%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%2B1%29%29%3DB_%7BY%7D%28t%29%28Y%5E%7B%27%7D%28t%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (11) 以及 https://www.zhihu.com/equation?tex=A_%7BX%7D%28t%2B1%29%28X%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29%3DB_%7BY%7D%28t%2B1%29%28Y%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (12) 由式（11）可得 https://www.zhihu.com/equation?tex=%28X%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%2B1%29%29%3DA_%7BX%7D%28t%29%5E%7B-1%7DB_%7BX%7D%28t%29%28X%5E%7B%27%7D%28t%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29 https://www.zhihu.com/equation?tex=%28Y%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%2B1%29%29%3DA_%7BY%7D%28t%29%5E%7B-1%7DB_%7BY%7D%28t%29%28Y%5E%7B%27%7D%28t%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (13) 将联立式（13）代入到式（12）中，即可得到方程（9）的一组线性表达 https://www.zhihu.com/equation?tex=A_%7BX%7D%28t%2B1%29A_%7BX%7D%28t%29%5E%7B-1%7DB_%7BX%7D%28t%29%28X%5E%7B%27%7D%28t%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29%3DB_%7BY%7D%28t%2B1%29A_%7BY%7D%28t%29%5E%7B-1%7DB_%7BY%7D%28t%29%28Y%5E%7B%27%7D%28t%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (14) 由此，不同研究对象之间的关系即可由上式（14）所示的一个微分线性随机过程来描述。值得注意的是，尽管式（2）被写为一个一阶线性系统，然而其实高阶系统与模型也可以包含入内，考虑如下任意 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1dcb592d2a749230dc8b6235f16a51b2 阶方程 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-75b18479903bfc6f5b228b4195e2047e (15) 其中https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1dcb592d2a749230dc8b6235f16a51b2 为滞后阶数。事实上，式（15）也可以写为一阶的形式 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-194316d0a2708fff99a6212d810a069f 简记为 https://www.zhihu.com/equation?tex=z_%7Bt%2B1%7D-%5CPi+z_%7Bt%7D%3D0%2C%5C+z_%7Bt%2B1%7D%3D%28w_%7Bt%2B1%7D%5C+w_%7Bt%7D%5C+...%5C+w_%7Bt-p%2B2%7D%29%5E%7B%27%7D (16) 由此同理可得 https://www.zhihu.com/equation?tex=X%5E%7B%27%7D%28t%29%3D%5CPi_%7BX%7D%5E%7B-1%7DX%5E%7B%27%7D%28t%2B1%29 (17) https://www.zhihu.com/equation?tex=Y%5E%7B%27%7D%28t%29%3D%5CPi_%7BY%7D%5E%7B-1%7DY%5E%7B%27%7D%28t%2B1%29 (18) 我们将式（17）、（18）代入到式（14）中，最终得到 https://www.zhihu.com/equation?tex=A_%7BX%7D%28t%2B1%29A_%7BX%7D%28t%29%5E%7B-1%7DB_%7BX%7D%28t%29%28%5CPi_%7BX%7D%5E%7B-1%7DX%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29%3DB_%7BY%7D%28t%2B1%29A_%7BY%7D%28t%29%5E%7B-1%7DB_%7BY%7D%28t%29%28%5CPi_%7BY%7D%5E%7B-1%7DY%5E%7B%27%7D%28t%2B1%29-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (19) 由式（17）、（18），此时根据式（19），只要我们已知 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-651283e16bff03ec7897e4d0174c2513 之中的任意一个就可以求出另一个。基于式（19），我们可以做以下东西： [*]构建不同研究对象自身随时间变化而变迁、演变的定量模型，对未来演变趋势做定量预测；[*]构建几个不同研究对象之间的相互关系随时间演变、变化的动态模型，不仅可以对相互关系进行预测，还可以通过其中一个研究对象的演变预测其他研究对象未来的演变趋势；[*]检验几个不同研究对象之间的相互关系随时间的演变是否存在结构性突变（Structural Breaks/Changes），自动侦测到结构突变点；[*]定量评估研究对象之间的相互关系是否会受到外生因素随机冲击的影响，以及影响的大小。二、结构断点/变化与因果效应 为了简便，我们考虑最简单的情形：完全随机实验下的处理效应估计（RCT），结论同样可以推广到观测研究（Observable Study）的情形上。由上所述，我们构建起来的式（19）可以detect出结构断点，以下我们证明当因果效应存在的时候，这个结构断点其实就是treatment effects，即如果treatment effects不为零，那么结果变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-ce020eb98bb704a4d4bd27920c72fe8b 与处理变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1e9eba693a949ee1aa8125a9b7dfe4ba 之间潜在的Regime shift model在treatment前后一定有一个结构变化或断点。由式（7）、（8），我们考虑https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4246989cba3ddaa0e091d4997012b921 自身演变是关于时间序列的一个二元函数 https://www.zhihu.com/equation?tex=X%28t%29%3D%5Cfrac%7B1%7D%7B2%7Da_%7BX%7Dt%5E%7B2%7D%2Bb_%7BX%7Dt%2Bc_%7BX%7D%2B%5Cvarepsilon_%7BX%7D%3D%5Cbeta_%7BX1%7Dt%5E%7B2%7D%2B%5Cbeta_%7BX2%7Dt%2B%5Cbeta_%7BX0%7D%2B%5Cvarepsilon_%7BX%7D https://www.zhihu.com/equation?tex=Y%28t%29%3D%5Cfrac%7B1%7D%7B2%7Da_%7BY%7Dt%5E%7B2%7D%2Bb_%7BY%7Dt%2Bc_%7BY%7D%2B%5Cvarepsilon_%7BY%7D%3D%5Cbeta_%7BY1%7Dt%5E%7B2%7D%2B%5Cbeta_%7BY2%7Dt%2B%5Cbeta_%7BY0%7D%2B%5Cvarepsilon_%7BY%7D (20) 通过OLS得到其中的参数后，我们分别对式（20）的时间 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-3b1922fd3ef8dd7c883fb35b699da495 求导，得到 https://www.zhihu.com/equation?tex=X%5E%7B%27%7D%28t%29%3D2%5Cbeta_%7BX1%7Dt%2B%5Cbeta_%7BX2%7D https://www.zhihu.com/equation?tex=Y%5E%7B%27%7D%28t%29%3D2%5Cbeta_%7BY1%7Dt%2B%5Cbeta_%7BY2%7D (21) 于此，容易找到一个关系函数 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d23245b428e6252c827dddb8d7a47d7c 使得式（19）成立 https://www.zhihu.com/equation?tex=%5CGamma%28X%5E%7B%27%7D%28t%29%2CY%5E%7B%27%7D%28t%29%29%3Da_%7BY%7DX%5E%7B%27%7D%28t%29-a_%7BX%7DY%5E%7B%27%7D%28t%29%2Ba_%7BX%7Db_%7BY%7D-a_%7BY%7Db_%7BX%7D%3D0 (22) 由此，式（14）就转变为 https://www.zhihu.com/equation?tex=a_%7BY%7D%28a_%7BX%7Dt%2Bb_%7BX%7D-%5Cbar%7BX%5E%7B%27%7D%7D%28t%29%29%3Da_%7BX%7D%28a_%7BY%7Dt%2Bb_%7BY%7D-%5Cbar%7BY%5E%7B%27%7D%7D%28t%29%29 (23) 其中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-e98145ffc0d91970e3d6301d56124a22 。由式（22），将估计出来的参数代入进去，我们可以得到 https://www.zhihu.com/equation?tex=%5Chat%7BY%5E%7B%27%7D%7D%28t%29%3D%5Cfrac%7B%5Chat%7Ba_%7BY%7D%7DX%5E%7B%27%7D%28t%29%2B%5Chat%7Ba_%7BX%7D%7D+%5Chat%7Bb_%7BY%7D%7D-%5Chat%7Ba_%7BY%7D%7D+%5Chat%7Bb_%7BX%7D%7D%7D%7B%5Chat%7Ba_%7BX%7D%7D%7D (24) 记 https://www.zhihu.com/equation?tex=%5Chat%7BY%5E%7B%27%7D%7D%28t%29 为接受treatment时我们关注的结果变量的拟合预测值。那么我们进而考虑回归模型 https://www.zhihu.com/equation?tex=Y%28t%29%3D%5Cdelta_%7B0%7D%2B%5Cdelta_%7B1%7D%5Chat%7BY%7D%5E%7B%27%7D%28t%29%2B%5Cnu_%7Bt%7D%2C%5Cnu_%7Bt%7D%5Csim+N%280%2C%5Csigma_%7B%5Cnu%7D%5E%7B2%7D%29 (25) 通过OLS得到式（25）的参数后，对式（25）进行预测得到 https://www.zhihu.com/equation?tex=%5Ctilde%7BY%7D%28t%29%3D%5Chat%7B%5Cdelta%7D_%7B0%7D%2B%5Chat%7B%5Cdelta%7D_%7B1%7D+%5Chat%7BY%7D%5E%7B%27%7D%28t%29 (26) 则我们可以得到以下命题： 命题 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-4d6f4be5c0cf3bd4686c6532518d8ccd （证明略） 由此可见，我们可以将treatment effect与structural break/change的switching regime model纳入到一起，二者之间有一个相互沟通的“桥梁”！ 三、美国民主党参议员竞选实证研究 我们用一个真实的例子来验证上述推理，证明当存在treatment effects的时候因果效应的估计可以用结构断点/变化检测的方法来做。我们从美国大学政治与社会联合研究会（ICPSR）收集到1914年至1990年间美国参议院参议员电子选举投票结果，以及从CQ选举投票及电子选举集合（lections Collection）中收集到1990年至2010年间的参议院参议员选举投票结果；其余数据来源于美国参议员历史办公室（Senate Historical Office）。数据集包含两个变量：结果变量Y是美国民主党成员参选当期参议院参议员在全国各州获得的投票数，取值范围为0~100；原因变量X是民主党参选参议院同样职位时前一期获得的盈余，盈余等于民主党得票数减去最强竞争对手的得票数，取值范围为-100~100。盈余大于零时，民主党赢得选举，反之则输掉选举。由此，我们想要研究前一期选举的结果是否会对当期的选举结果造成影响，即检验美国宪法直接选举制度下选民的选举行为是怎样的，选票是怎样投出来的，投票的行为心理特征是什么。 采用本文提出的基于动态测量的结构断点检测新方法，最终得到分析结果： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-5eb64f475b37b3ae2fb7e97b64a69f79.jpg 图1 美国民主党参议员竞选当期、前期结果关系的结构断点/变化检验由图10左图与中图可见前一期美国民主党竞选参议院得票状况与当期竞选得票状况关系存在一个明显的结构性断点，且结构断点大概发生在x=595处附近。再结合图10中的右图可以发现，当前一期竞选结果盈余大于零时，当期竞选得票数有一个显著的上升过程。这表明在美国的参议院竞选活动中，参选主体之前的竞选结果会显著的影响其之后竞选的结果。这与采用断点回归（RD）方法得到的结果一致： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-5360061fb6863857a0ad6fccca88bed6.jpg 图2 美国民主党参议员竞选当期、前期结果关系的断点回归结果图1与图2的实证分析结果表明在定量实证研究中，因果效应可以被视为研究对象间相互关系存在结构性断点的一种特殊情形，当存在因果效应时，我们可以用结构变化的回归方法去进行分析。 四、思考与展望：beyond structural & reduced form 众所周知，定量实证研究的范式分为两种：简约式与结构式。那么我们的问题是，除此之外，还有其他的范式来进行因果推断吗？ 我认为随着大数据时代的到来，机器学习方法的发展，很可能还存在着一种基于理论关系的inference free of model specification的研究范式来进行因果推断，这种方法与范式不依赖于模型的设定、模型的假设并且对异常值、缺失值的干扰更加稳健。 References Alonso C, Gutierrez J, Recio T, A Rational Function Decomposition Algorithm by Near-separated Polynomials, 19(6) Journal of Symbolic Computation, 527(2007) Alonso C, Gutierrez J, Recio T, A note on separated factors of separated polynomials , 121(3) Journal of Pure & Applied Algebra, 217(1997) Calonico, S., M. D. Cattaneo, and R. Titiunik, rdrobust: An R Package for Robust Nonparametric Inference in RegressionDiscontinuity Designs, 7(1) R Journal, 38(2015) Social Research Center of the Michigan University, “Politics Data Sets”, https://www.icpsr.umich.edu/icpsrweb/, accessed September 7, 2019 US Government, “Art and History”, https://www.senate.gov/artandhistory/history/common/generic/Senate_Historical_Office.htm, accessed September 25, 2019 回复

我在第一次学习因果推断（causal inference）的时候也有这个疑惑。最近又在阅读一些关于因果推断的内容，试着回答一下。（所有讨论均基于unconfoundedness假设。） 按照我的理解，题主的想法可以写成：对于W=0和W=1两类数据分别用两个函数f(X,0) f(X,1)来做回归。（因为W是二值的，这样和题主说的f(X,W)应当是没有区别的。甚至可能会更好，比如一个高维的模型很容易忽略掉一维的W，因为在unconfoundedness假设下X的维数往往是非常高的。）有些时候会把这种解决因果推断的算法称之为预测模型(predictive model)。我印象中有很多关于因果推断的介绍会提到“Why naive predictive model doesn't work”之类的话题。下面的是我对这个问题的一点理解，不一定对： 事实上很容注意到，在两种情形下这一问题可以很直接使用回归模型解决。一种是我们可以同时观测到Y(1)和Y(0)。另一种情形是测试策略完全随机（randomized control trials），即测试策略W独立于Y(1)，Y(0)。这两种情形下，平均因果作用（average treatment effect）可以轻易地通过样本来估计：Y_hat|W=1 -Y_hat|W=0。因果作用（individual treatment effect）可以通过回归模型估计：f(X, 1) - f(X, 0) 。 事实上在因果推断最核心的困难就是，对于每个X, 我们永远无法同时观测到Y(1)和Y(0)。完全随机测试事实上就是在模拟同时观测到Y(1)和Y(0)的情形。然而因果推断往往是基于观测数据的，完全随机测试是很难做到的。 如果考虑更合理的假设的话，有大量经典例子用于说明为何这种直接(naive)的预测模型并不总是奏效。简单来说就是处理机制（treatment assignment policy）W和Y具有相关性，如果不固定X的话。因此，直接分两类数据，W=0和W=1，对（X,Y）用naive的回归方法得到的估计是有偏的。我一时间没有找到合适的图，应该可以很容易找到一些直观的回归的例子说明这一点。 题主的问题1：那么能不能通过选取某种合适的目标函数，使得直接拟合f(X, 1)和f(X, 0)的方法奏效呢？我的理解是：可以是可以，然而并没有什么用。实质上就是你用回归的语言（选取某种合适的目标函数等等）把很多因果推断的方法重写了一遍。而这种重写之后的表述十分不自然，因为这个问题本质上和传统回归问题对数据的假设有所不同（下详述）。 以下都是我个人的理解（非常high-level且intuitive），或许也是对题主问题2的一种回答吧。 假如我们直接对(X,W,Y)做回归，我们的观测数据分布是 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-48105a4f0e3f66b8efa2960029fc972f ，其中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-915c2bf0e93696617b6c5e07fbce965e 是我们的处理机制。在iid假设之下，我们的回归方法能够优化的损失函数实际上是这样一个损失函数： https://www.zhihu.com/equation?tex=%5Cint_%7B%5Cmathcal%7BX%7D%7D%5Cint_%7B%5C%7B0%2C1%5C%7D%7D%5Cint_%7B%5Cmathcal%7BY%7D%7D+%28f%28x%2Cw%29+-+y%29%5E2+p%28x%29p%28w%7Cx%29p%28y%7Cw%2Cx%29+dxdwdy (这里使用平方误差只是举个例子，关键是分布。) 而我们要估计因果作用（individual treatment effect） https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-414a5c500e3b0ba0b2165b5ef96bc758 记 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-8a63109c8b4ec266d417bc3ff6199675 对应于这个问题，我们的损失函数是 https://www.zhihu.com/equation?tex=%5Cint_%7B%5Cmathcal%7BX%7D%7D+%28%5Chat%7B%5Ctau%7D%28x%29+-+%5Ctau%28x%29%29%5E2+dx+ 。稍作化简可以得到： https://www.zhihu.com/equation?tex=%5Cint_%7B%5Cmathcal%7BX%7D%7D+%28%5Chat%7B%5Ctau%7D%28x%29+-+%5Ctau%28x%29%29%5E2+dx+%5Cle+2%5Csum_%7Bw%5Cin+%5C%7B0%2C1%5C%7D%7D+%5Cint_%7B%5Cmathcal%7BX%7D%7D%5Cint_%7B%5Cmathcal%7BY%7D%7D+%28f%28x%2Cw%29+-+y%29%5E2+p%28x%29p%28y%7Cw%2Cx%29+dxdy 注意到这里w的部分和上式的不同。我们可以近似地（因为是不等号）认为，为了估计因果作用（individual treatment effect），我们想要优化的是当W|X服从一个均匀分布之下的目标。而我们的数据来源中W是服从我们的处理机制(treatment assignment policy) https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-915c2bf0e93696617b6c5e07fbce965e 的。这样就不是一个典型的iid假设之下的回归问题了。（这里也可以看到为什么完全随机试验下这个问题很容易地用回归的模型解决，因为此时W|X服从均匀分布。） 当然，我们有很多手段可以矫正这个分布去处理这个分布不合（distribution mismatch）的问题。如果用题主的话说就是选取某种合适的目标函数。事实上，整个因果推断中和counterfactual相关的讨论，几乎全部都可以视作是在解决这个问题。inverse propensity score/re-weight 就是一种非常自然的方法。如果我们非要在回归的框架下把inverse propensity score重写一遍也是可以的。但是没有太大的意义而且比较麻烦就是了。 而题主的第二个问题中的“本质区别”，如果按照我的理解就是因果推断中的数据分布是依赖于我们的处理机制的，而我们的损失函数却又是按照另一个分布计算的，这和回归问题中关于数据的iid假设非常不一样。 因此硬要说特例，也可以把因果推断（causal inference）看做是回归的特例。但并不是一个平凡的特例。一个或许不太恰当的比喻是：分类也是回归的一个特例，但是大家往往也单独研究分类问题。当“特例”本身具备太多自身独有的性质时，往往单独讨论更高效。 至于题主的另一个问题“机器学习训练的模型已经无法写成简单的函数形式了，为什么因果推断还是以线性模型为主。”因为： 1. 感觉统计和机器学习毕竟是两个community吧（笑）。统计领域关注的重点本来确实不太相同。研究因果推断的大部分还是在统计这个community里。我读到的因果推断的大部分文章还需要讨论error的asymptotic distribution/Gaussianity呢。如果用deep learning的model哪儿能干这个。所以以前这样的工作很少，更多的还是两个community不太相同的原因吧。 2.所以最近改变了啊（笑）。 最近出现了一些用更复杂的模型做causal inference的工作，尤其是一些也在机器学习的community里的人的工作。比如David Sontag在ICML‘17的这篇工作，基本上就是用一个deep nn去做回归。同时为了解决上述的distribution mismatch问题，从一个泛化误差界出发加入了一个惩罚项：generalization bounds and algorithms 。以及Stefan Wager的工作：讨论如果把任意准确度高的机器学习模型当做一个black-box的predictive model，如何能有效提升因果估计的准确度：[1712.04912] Learning Objectives for Treatment Effect Estimation 。 ===== 再多说一点：我认为在机器学习领域中和因果推断最为接近的问题反倒不是回归，而是强化学习（reinforcement learning）和上下文老虎机（Contextual Bandit，我自己都无力吐槽，有更合适的中文表达请告诉我，笑）中的离策略方法（off-policy）。因为它们的核心挑战都是：当我的奖励反馈是"bandit feedback"--只有采用对应动作（action）才能观测到时，该怎么办？这和上面说的因果推断的核心困难的来源是一致的。因果推断的Y(i)对应强化学习中的奖励函数，因果推断中的处理（treatment）对应强化学习中的动作（action）。我们永远只能观测到对应的某种反馈而不是全部--因果推断中称之为潜在结果（potential outcome）而强化学习中把这种性质叫做"bandit feedback"。因果推断中的因果作用估计（treatment effect estimation）对应于强化学习中的离策略策略值估计（off-policy policy evaluation）。因果推断中的实验设计（experimental design）对应于强化学习中的离策略策略学习（off-policy policy learning）。而inverse propensity score的方法在强化学习中往往称为importance sampling。这两个领域才是讨论的问题其实相差不多，却在用两套完全不同的术语，摊手。 回复

题主 @张宏毅 这个一年前的问题真的非常的棒。当时Susan Athey那个讲座（[3]）我也在现场，不过确实也是听的懵逼状态。而最近在学习、研究和一些文献阅读之后对题主的这个问题有了一些新的理解，因此便想回过头来把个人的一些见解稍微说一说。这个回答下其实已经有非常深刻到位的回答了（如 @刘垚 @慧航 的回答 - 当然前面的回答直接在unconfoundedness条件下讨论，而我这个回答就更小白，主要来讨论什么是confounding variable及可能的一些处理办法），我这里算是一个比较简单的个人向补充吧（本回答主要参考的是一篇很好的入门级观点型文章[1]），内容上和 @LINN 的回答比较重合。 一、引子：一个例子[/h1]我们应该经常听说一个说法：因果关系并不是相关性，而回归分析只能研究相关性。这句话有一定的道理，却也不完全准确。真正要回答这个问题并不容易，所以我们先来举一个简单的例子。 假设你是一个品牌商，然后你对在城市 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-b67fcc1bfd7eae0e5948d822ee202111 广告的人均资金投入 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 和实际的人均销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 之间的关系感兴趣。那么一个最简单粗暴的办法就是用看到的实际销售数据跑一个回归模型： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-1de4cdce671f96d053ba28408cabb81d 其中 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 是一个误差项， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-111cf5c2cf1cc54e0b93080ff933d2e8 就是我们关心的回归系数（假设我们已经把数据都中心化了，这样可以不考虑偏移项- https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 的“截距”）。 当然跑回归需要数据：假设我们目前在两个城市有销售历史数据-北京和上海。然后我们观察到在上海我们的人均广告投入是1元，人均销售额是10元，而在北京我们的人均广告投入是1角钱，人均销售额是1元。很显然，如果我们直接用这两组数据回归，我们便会得到： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-9a32c20a98e9bd57dea65b187106c5ca 然而，这个式子似乎告诉了我们增加1元人均广告投入我们就能得到10元额外的人均销售额。这个理解真的对么？显然你肯定觉得有问题了，但关键的点在于，问题出在哪儿？ 二、问题出在哪儿？[/h1]在上述问题中，显然我们首先应该想到嗯我们的回归模型太简单了嘛，肯定有其它很关键的因素（变量）没考虑到所以就变成一个简单粗暴的二元关系式了。比如说，假设其实我们是卖咸粽子的，而上海人民普遍大多是咸粽子党，相比大多是甜粽子党的北京人民本来就对咸粽子的兴趣大得多。在这种情况下，这个对“咸粽子的兴趣程度”其实也会影响我们的销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 。另外，我们再假设我们的广告部门在做广告的时候本身也知道这点（这个是常识嘛），因此他们在广告投放的过程当中就是会在上海地区更卖力，而北京地区偷懒，因此这个对“咸粽子的兴趣程度”其实也会影响 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 。 像这样同时影响一个回归模型的 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 和 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 的变量（variable）我们就叫做confounding variable。数学上来看，如果我们用 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-53ada42dd04c65d2df3a9e6fa946f475 代表 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-2c6ceac58fcb14c8e951c9838a46deef 的分布（数据量非常大的时候所趋近的统计规律），那么我们知道回归得到的系数 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-01d199b374a56595e682ead4a26b8431 （Cov表示协方差/Covariance）。利用 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-7d88c2eb07ab1239f545e5ad283c5db7 ，我们可以把上式（右边）变形成 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-35eede6a8ee4394c4bc649b97b369a7c 也就是说，如果 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-c2d8a10215d536039511d2900aba423b ，我们这个回归跑出来的 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-111cf5c2cf1cc54e0b93080ff933d2e8 就是无偏的，能反应数据背后的统计规律，反之就不行了。 注意这里有个值得澄清的点：如果我们只是希望用回归模型去做预测（prediction），那么实际上前一节的二元回归可能也就行了。但是这往往不是我们的主要目的，事实上就跟前一节考虑的问题那样，我们想知道的是增加一些广告投入，对销售额的影响（变化）是怎样的。即某些回归模型的变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 改变对 结果 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 的影响。 因此，我们并不应该简单地把这里的问题看成“回归模型里缺了某些变量”。 事实上，对任何实际使用的回归模型，你都可以说它缺了某些变量。这里的问题实实在在的是，存在一个我们没有考虑的变量，同时影响着我们粽子的销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 和投入成本 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 。而在我们简单的二元回归模型里，因为我们没有考虑这个confounding variable（因此它隐含在 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 里），使得 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-241e492d8191bf4a0d852c9fb32bffe0 和 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 也会变得有相关性。在我们的粽子例子中，因为对咸粽子兴趣更大的城市会自然让该城市的广告投入和销售额增加，也就是说仅对 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 和 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 做回归会过高估计 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 变化对 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 的影响。 这便是因果推断的起点：如何通过已有的数据更准确的推断各种变量之间的因果关系（某些变量变化对结果的影响）？ 接下来我们就讨论一些可能有用的方法。 三、Difference in Differences（DiD）[/h1]当然目前为止我们还没有回答题主的问题。把DiD放在前面因为这个和题主的利用f(X,1)-f(X,0)估计treatment effect想法相似（这在实际中也是很powerful的一种想法）。当然要用DiD，一般我们需要所谓的纵向（longitudinal）数据， 即在一条时间线上不同点上的数据。 比如在我们的例子里，我们在两个城市一开始都有一段时间没有任何广告投入（ https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-7ecd27b4ed1576fc4b9587ee9915565e ），然后比如3月我们在上海投放了一波广告（北京没有），4月我们在北京投放了一波广告（上海没有）。我们其实就可以把这个有没有投放广告看成是一种treatment，而在这样的数据情况下我们就可以来估计我们想要的因果关系。具体来说，我们考虑一段相似的时间段，如果这段时间段里没有投放广告，那么这段时间的销售额可以看成是“对照组”（control group）的数据，反之就是“投放组”（treated group）。我们记 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-cb15f8ee041cb29c144a41e051505523 时间段结束后投放组的销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-3acb3e4c949cab5e4c9f115616e4f140 时间段开始前投放组的销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-a8e813049d94786995b5ebd52807ed0f 时间段结束后对照组的销售额 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d9d3062446744bf80a2fff7211c26996 时间段开始前对照组的销售额 那么我们确实可以将treatment effect（投放广告对销售额的作用）估计为： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-304d479372631e4fb2bf9c698dc2564f 即“差的差”DiD。当然这个式子看起来也是无比简单，而这个treatment effect实际就如题主所说的，完全可以用回归来估计（估计的时候甚至还可以加上更多的变量，比如季节影响啊天气啊等等），也可以像 @慧航 所说的用别的非参方法如bootstrap，或者神经网络：这些估计方法都只是“工具”，而不是模型。 注意实际上这里我们估计的是投放组真实的结果（投放广告之后的销售额） https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-f9c29b6712853fc5b8bdf1301181202d 和投放组的反事实（counterfactual，即投放组如果没有投放广告在时间段结束后的销售额的差） https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-002b3ae31cd6320ee6668cf7ec65cc47 。并且还依赖了这样一个假设，即根据反事实，如果投放组其实没有投放广告，那么这个时间段投放组的销售额变化和对照组应当是一样的（数据采集的人们的行为是同质的-homogeneous）： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-e485fe7c440fbb26e410ad1ce23115c4 四、控制实验（Controlled Experiments）和自然实验（Natural Experiments）[/h1]为了研究因果关系，如果有条件做“实验”显然是最直接的办法。当然实验大体也分为两种类型，一种是我们可以控制各种变量，另外一种就是其实并不能（比如很多医疗手术/用药的数据-人为想“控制”出一些“对照组”显然是不道德的）。 就拿我们的问题来说，实际上广告投放是我们完全可以控制的。相比前面的DiD，我们完全可以做的更好：我们完全可以在同样的月份，不同的城市里，根据顾客的资料信息将他们分成大致类似的两组，然后一组对他们进行广告投放一组完全不进行（对照和投放组），然后观察这个月份这两组消费者销售额的变化情况。 当然如果这并不现实，那么其实就如 @刘垚 所说的随机性（randomization）的重要性就更大了（随机性对估计treatment effect其实一直都很重要）。也就是说即使我们无法完美的有控制组和对照组的数据，是否可以自然观察到针对是否有treatment比较随机的结果（比如我们的广告投放是在固定的商场门口，然后来访问商场的顾客分布相当的随机无规律），以减小估计的误差。 五、工具变量（Instrumental Variable）[/h1]这也是计量经济学里非常常用的技巧。还记得前面卖粽子例子里我们说二元回归关系一个主要的问题是 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 其实同时跟 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-43f8f36c26b0d4488d74e4750b884f68 有相关性么？然而，如果我们可以找到一个工具变量，只通过变量 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 来影响结果 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 ，那么我们就其实可以用这个工具变量作为“仪器”来“沿着” https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 独立于 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 运动地“测量” https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 的变化。 如果我们把这个工具变量叫做 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-173ba104fe3c9ed28d009a40fcb55ee7 。在我们的卖粽子例子里，数学上就有 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-b9c052d3accefc5129781249901afe8b https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-74484e18b23cf488056c8254953e4806 我们其实就有了两个回归模型。而我们注意到这两个回归模型结合在一起就给了我们： https://www.zhihu.com/equation?tex=%5Cbegin%7Balign%7D+b%5E%7Biv%7D%3D+%26+%5Cfrac%7B%5Ctext%7BCov%7D%28z%2Cy%29+%7D%7B%5Ctext%7BCov%7D%28z%2Cx%29++%7D+%5C%5C+%3D+%26+%5Cfrac%7B%5Ctext%7BCov%7D%28z%2Cbx%2Be%29+%7D%7B%5Ctext%7BCov%7D%28z%2Cx%29++%7D+%5C%5C+%3D+%26+%5Cfrac%7Bb%5Ctext%7BCov%7D%28z%2Cx%29+%2B+%5Ctext%7BCov%7D%28z%2Ce%29%7D%7B%5Ctext%7BCov%7D%28z%2Cx%29++%7D%5C%5C+%3D+%26+b+%5Cend%7Balign%7D 这是一个对 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-111cf5c2cf1cc54e0b93080ff933d2e8 的无偏估计！而本质上我们就是利用了工具变量的特性将 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 对 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-b6d1f639a83648f9695fb1cc3bd18078 的复杂影响给排除掉了（因为工具变量跟 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d99b0daf3bb51f37b6f3ee10eda60ad9 是独立的）。而这种利用工具变量的回归分析有时也被称之为两阶段回归（two-stage regression; 留给大家思考： https://www.zhihu.com/equation?tex=b%5E%7Biv%7D 的估计其实也可以看成是先做了一步回归，然后利用上一步回归的结果带入下一步回归中-那么这里具体是哪两步回归呢？） 当然，因果推断的招式很多，这里我只是浅尝辄止地谈了谈计量经济里用的比较多的几个方法，其它的像Regression Discontinuity之类的在某些场合也很有用（比如历史数据只有几个 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-61e8206017aa4f333451c66d16c236f6 和相应的 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-46ff1fd98b9c3a528bab3d9543fd2b31 ）。像Judea Peral几乎一己之力创造的基于贝叶斯网络和图模型的招式（[2]），就完全落在另一个流派里了。我觉得，对因果关系的研究，从过去，到现在，直到将来都将一直会是人类科学研究的重点之一：比如说，究竟有哪些重要的因素，在何种影响和条件下，会促发某些癌症？反过来说，又有哪些关键的因素，条件，treatment，可以逆转癌症的扩散和恶化？时至今日，回归分析仍然是所有人类研究里最最常见的工具（也仍是目前因果推断研究的主流方法），而它伴随着现在的人工智能&机器学习热潮，又能带领我们在因果性的推断旅程里前进到何方呢？ [1] Varian, Hal R. "Causal inference in economics and marketing."Proceedings of the National Academy of Sciences 113.27 (2016): 7310-7315. [2] Pearl, Judea.Causality: models, reasoning and inference. Vol. 29. Cambridge: MIT press, 2000. [3] Susan Athey，Machine Learning and Causal Inference，MIT IDSS Distinguished Seminar Series, https://idss.mit.edu/calendar/idss-distinguished-seminar-susan-athey-stanford-university/ （国内观看需翻墙） 回复

个人认为这个问题表述为“艾滋病问题的社会性和医学（技术）性何在？”更为合适。医学本来就具有社会性，因为其对象是人。 回复

看看狮城舌战，复旦大学的半决赛辩题。1993年，新加坡的，当年复旦大学辩论队的顾问现在都是standing member了。蒋昌建都走娱乐圈路线了。 这辩题都玩了25年了，不知道题主是什么学校的？ 回复

艾滋病是社会问题 1、艾滋病的传播途径严重影响了病人的生活，屡遭歧视 2、艾滋病的传播途径大多是因为性交和血液传播，这其中社会的监管和宣传负有主要责任 3、对艾滋病的医学研究其经费也是社会出资 4、艾滋病能够的危害人群是处于社会之中的，而不是脱离社会的 5、医学真正能够解决的是艾滋病的治疗问题，而非解决艾滋病，就像乙肝虽然能治愈，但是患者又免不了被区别对待，治愈不是解决问题的根本，根本是大家能够正确预防疾病传播，能够正视患者人群 回复

要有最朴素的生活和最遥远的梦想 即使明日 天寒地冻，路遥马亡 ——七堇年《被窝是青春的坟墓》 回复

企业缺钱了上哪里找？银行不给贷款，民间借贷无异于饮鸩止渴，最好的办法还是上市融资啊！卖出一部分股权就可以有很多资金，还没有债务，懂了吧？ 回复

上市正常的好处，主要是：企业多了很多融资渠道，大股东手上的股权好变现，有利于提高企业知名度，可以从政府拿地获得补贴等等。 当然还有一些心术不正的企业想上市，主要就是老板想从股市上圈钱了，毕竟资本市场就是一个巨大的财富角斗场，以前中国的股市退市制度又不完善，一旦上市，受处罚的风险很小，而赚钱的收益很大，对绝大多数老板来说，都是诱惑力巨大的。 具体来说： 企业融资渠道大大增加上市的企业，不光是首次发行IPO的时候能融到一笔钱，其后也可以通过增发、发债等形式，直接从资本市场上募集资金。 公司一旦上市，在银行的授信额度也能大大的提高，贷款的利率也会更加优惠，债务融资的能力会大大加强。 除此之外，上市公司还能获得很多隐形的信用优惠，比如和上下游公司的账期能谈到更好的条件，这样可以大大改善公司的现金流。 大股东手上的股权好变现在一个公司上市之前，股东持有的公司股份是无法自由交易的，如果想转让手中的股权，必须能找到买家，同时双方还能谈好交易价格，股权想变现的难度较大。 但公司上市之后，股东手上的股权解禁后，就可以按照监管的规定卖出，如果是员工手上的股权，卖出就更加自由了，大家手上的股权都会更好变现。 同时，即便是大股东不想卖掉手上的股权，也可以通过质押的方式获得资金，对个人来说，获取大量资金也更容易。 有利于企业提高知名度公司能上市，尤其是上主板、中小板、创业板和科创板，不是新三板、四板之类的，至少能说明公司还是有一定的规模和竞争力，公司治理也相对完善，公司在拓展业务的时候更容易获得市场的信任。 比如大家直观的感受一下，如果我们去买个消费品，这个公司说它是上市公司，是不是也会感觉公司的产品更靠谱一些？ 可以从政府拿地获得更多补贴很多地方对拟上市公司都会有一些政策上的扶持，如果公司能走到拟上市的阶段，从政府拿一些工业用地会更容易，价格也相对更便宜。 在某些经济发达的地方，很多企业老板对拿地还是很看重的，拿到的土地可就是公司实打实可以增值的资产。 各地政府对拟上市公司和上市公司还会有各种补贴政策，这些都能成为公司额外的收益。 上市圈钱以前的A股市场，因为退市制度不完善，所以相当于上市就暴富，你可以在股市上融资，也可以在股市上套现，公司就算经营不好了，最后还能卖个壳赚最后一笔。 这必然会吸引很多只想圈钱的企业上市，最后成为了很多股市中的垃圾股，割了不少韭菜。 但现在随着股市制度的不断完善，注册制已经开始推行，强制的退市制度一定是必然之举，未来抱着圈钱目的上市的公司一定还会有，但在规范的制度下，他要受到退市和其他行政或刑事的惩罚，这样的市场才会越来越有生机，牛市才能走得更长远。 总之，上市的好处多多，不想上市的公司，要么是自己特别特别强，现金流也特别特别好，比如华为和老干妈；要么是想上市也没有希望的小公司。 对于绝大部分企业来说，上市融资，被市场认可，还是企业发展的必经之路。 回复

1、募集资金。 首先，上市本身可以使得企业补充大量资金。 其次，上市可以优化企业的财务结构，使得企业未来可以更大规模的进行债务融资。 最后，上市可以补充资本金，降低企业的财务杠杆，减轻企业的现金流压力。特别是对于毛利较薄，财务支出在不变成本中占比较高的企业而言更是如此。 2、品牌优势。 上市与否对品牌的溢价有深刻的影响，上市公司通常在商务合作中更占优势。 一个典型案例是，上市与否，会对企业的商誉有重要影响。很多企业一听对方是上市公司，第一时间对于对方的企业实力，品牌等便会有一个直观的判断，之后的商务合作也愿意做更多的让步； 另一个典型案例是，在金融紧缩周期，上市公司获得银行支持某些时候会变得更加容易。原因非常直观，在扩张周期，企业业绩向好，资金需求旺盛，还款能力强，此时资金方处于寡头对多头的局面，备选对象较多；而在紧缩周期，由于绝大多数中小企业缺乏足够的风险对抗能力，也缺乏足够的外部增信能力，因此金融机构往往不敢给这些客户放款，进而出现“企业没有资金需求，银行求着企业贷款”的现象。事实上类似的逻辑在早期投资市场也成立，资本市场寒冬来临之时，往往就是头部项目更受追捧之日。 这种品牌优势，在人才招聘当中也表现的非常明显。尽管相当一部分上市公司的薪酬对于同行业而言并没有很强的竞争力，但考虑到职业稳定性、品牌溢价、发展潜力等因素，上市公司往往在人才吸引方面有更大的主动性和回旋余地，从而为企业的发展源源不断的输入动力。 3、优惠政策 政府方面，上市公司可以获得很多地方政策的扶植。比如税收、项目审批方面的优惠，甚至还能获得专项的政府扶植资金。这是因为，上市公司对于地方政府而言是主要的创收来源，地方经济的主要引擎和就业的主要渠道。具有中国特色的一幕是，当上市公司处于经营乏力、管理不善之时，一些地方政府会出面协调金融机构和地方企业，帮助上市公司度过难关，而普通企业就很难有这样的待遇。 金融机构方面，上市公司可以以更低的成本更加有效的获取金融资源。一方面，企业能够上市，往往意味着其行业地位、经营业绩、财务数据等相较而言都比较有竞争力，自身业务和财务的抗风险能力总体而言强于一般企业；另一方面，上市可以一定程度上解决企业与金融机构之间的信息不对称，以及由此造成的信任成本问题；特别是在中国这样一个商业信息和信用体系还有待完善的国家，由于企业上市后需要定期按照监管要求做信息披露，并接受审计机构的审计，因此其信息的真实性、完整性相对而言都是更有保障的，对于金融机构而言也有效的降低了风险。 此外，上市公司还可以做股权的质押融资。对于一般企业而言，由于其股权缺乏流动性，没有活跃的交易及有效市场报价，因此金融机构无法判断一旦企业违约处置其股权是否可以收回成本或挽回部分损失，因而不接受股权质押。但上市公司的股权在二级市场上有活跃交易和报价，因此一旦发生违约，金融机构可以通过在二级市场委托出售等行为有效控制风险，对于上市公司而言也进一步拓宽了信用手段。 当然，是否上市，也不能一概而论，例如扬子江药业、华为等著名企业目前为止都没有上市，其中有企业多年积累的制度、文化以及股权、税收等多重因素；个别企业由于上市合规成本较高，或者其业务不被资本市场看好，也未必适合上市。 总结来看，对于多数企业而言，上市虽然不是最终目的，但却是企业发展的一个重要里程碑，也是创业者奋斗取得阶段性胜利的重要标志。因此“到纳斯达克敲钟”才会成为如此多创业者孜孜以求的奋斗目标。而由于高科技领域竞争压力大、节奏快的特征，绝大多数成功的高科技公司，无论是国外的苹果、谷歌、Facebook，还是国内的BAT，都离不开资本的助力和推动。我们很欣喜的看到，越来越多的创业者，正在逐步摈弃对资本的“天使论”“妖魔论”，以一个愈发客观、开放的心态与资本市场对话，通过资本的助力，实现了仅凭内生积累不可能达到的高成长速度；遗憾的是，我们也接触过一些自身素质较好，项目质地优良的创业者，由于对资本的偏见、恐惧或敌意，抱着小富即安的态度固步自封，最终丧失了时代赋予的机遇。 在这个创业公司成功周期越来越短、创业门槛越来越高、创业竞争越来越激烈的年代，创业者理应在搞好自身业务的同时，积极了解资本市场、借力资本市场，将产业能力与金融力量整合起来，打好组合拳。而以太资本也希望能够在这个过程中，以更加专业系统的服务，服务和帮助到更多的创业者和投资人，让资本助力创业之路越走越宽，越走越顺。 回复

在全球主要经济体中，美国建立了最为完善的综合性多层次资本市场结构，其场外交易市场主要由NASDAQ市场、OTCBB市场、粉红单市场组成。2006年2月，为吸引不同层次的企业挂牌上市，NASDAQ将市场划分为NASDAQ全球精选市场、NASDAQ全球市场和NASDAQ小额资本市场等三个层次，每一层次市场均设置三种首次上市标准，标准中包含了税前利润、证券市值、公众持股量、做市商和成立历史方面的要求。OTCBB市场介于NASDAQ市场和粉红单市场之间，其上市基本条件没有设置财务指标，除要求提供会计报告和财务审计报告外，仅要求股东人数不低于80人且有3名做市商做市。粉红单市场是三者中层次最低的场外市场，其挂牌条件也最低，仅要求股东不少于40人，并有1名做市商。 美国国所形成的多层次资本市场，通过下图可以很清晰的展现，也不难发现粉单市场在美国资本市场结构中的地位。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-9fb9721c55eeb30a9fbbb16f77a2c180.jpg 可见，粉单市场是美国场外交易市场中最基本的市场，严格意义上的上市是指公司股票在证券交易所上市挂牌交易。在粉单市场挂牌不属于上市，但是公司股票可以进行小规模的交易。中国目前正在推动的全国中小企业股份转让系统公司，以及区域性的股权交易市场譬如天津股权交易所，上海股权交易所，前海交易所等。基本上和粉单市场属于同类，都是为公司股权交易提供场所。 下图很清晰地展现了中国目前的资本市场体系结构： https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-b946fdf3c93243227a3992f925d5bea7.jpg 当然，近几年股权交易市场在全国遍地开花，尤其是全国中小企业股份转让系统在全国范围内的推动，新三板市场的规模也会越来越大，在未来两三年也许会稍微改变中国目前的资本市场结构。 戴勒姆出现在粉单市场并不奇怪，公司往往会选择自己最合适的市场挂牌交易，有些公司资产很好已经达到纽交所的上市标准，但仍然在纳斯达克市场甚至很低层次市场，所以在低层次市场发现比较牛逼公司的身影也并不奇怪。 个人看法，也许细节上有出入，请多谅解，也请指正！ 回复

简答：不算。 一个公司的上市地位（listed）是指其股票受到合资格交易所接受，符合该交易所标准，同意在该交易所挂牌交易，这样该公司方称为上市公司。在Pink Sheet交易的股票，无须向SEC递交申报，亦没有任何最低要求，信息并不透明，不具备上市地位。很多美国上市公司的股票由于不再符合交易所的相关标准被除牌后，亦会转至OTCBB或者粉单市场交易。 就戴姆勒而言，其ADR在粉单市场交易主要原因一般不认为是其满足不了交易所要求，而可能是公司处于保密等方面的要求暂时不愿对其财务数据进行披露。 回复

住着农民房，吃着地摊粮，穿着淘宝裳，望着秋水川。年年夸宝安，岁岁没保安。朝朝天微亮，暮暮星稀伴。非吾不愿还，为孩儿爹娘。那头天烂漫，这头风雨挡。年少人简单，年长人不安。畏惧装平淡，累苦往心藏。位轻身难安，任重体不堪。未到而立冠，胡比头发长。有房当囚犯，无房遂流浪。七零笑咱狂，零零接后浪。来为深圳人，归去无故乡。天涯何处往，两眼望四方。 回复

大家好，我是 @瘦西湖 ，互联网老兵，有多家大中型公司管理经验，喜欢研究历史、人生智慧进阶和资产积累，关于信用卡、一二线城市房产、职场和职业发展都欢迎向我提问，目前对社区好物感兴趣。本文为作者原创内容，不接受任何形式的转载，如果觉得有帮助，欢迎点赞、关注、支持我。 2017年底，我对深圳还非常不熟悉的时候，就有中介带我看过宝安中心区。当时他带着自豪感向我介绍，即将开盘的壹方城，以及配套的壹方中心。附近还有深业新岸线、第五大道、福中福幸福海岸等著名楼盘。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-c5ed5867d14c1349ebb24494fe5ccaf0.jpg 因为计划2018年夏天移居深圳，所以2018年的春节，我带着老婆孩子来到深圳。2018年除夕，我是在深圳前海JW万豪酒店度过的，年夜饭是一家三口在行政酒廊吃的。后来的午餐、晚餐，我们经常去壹方中心的各个饭店吃，从万豪步行过去十多分钟，要路过宝安图书馆和海滨广场，非常惬意。 现在宝中的周边配套是以宝安行政中心为中轴线，向两边辐射。已经完成的公共配套有体育中心、宝安体育馆、图书馆、青少年宫、演艺中心、艺术中心等，还有在建的欢乐港湾可比肩世界之窗和欢乐谷，将来会成为深圳的又一个热门的旅游观光景点，将会接待来自国内外大批旅行团。它是集旅游观光、休闲娱乐、消费为一体综合性旅游产业，明年欢乐港湾将对外开放，宝中还在建一座地下商城，将整个宝中的地铁/商场/停车场连成一体。现在的壹方城地下购物商城面积相当于1.5个万象城，去年总消费销售额达到40.6亿元，居深圳14个大型标杆购物中心之首。 宝安中心地铁密集，有一号线、十一号线、五号线等。马路规划合理，最低双向六车道，从不堵车。 现在的前海很少有住宅楼盘，而宝中不但有集中成熟的住宅，还有几个住宅楼盘在建及正在开售中。以后宝中的房价还有很大的升值空间。宝中均价已经从8万上涨到16万，连花样年花郡那样小户型为主的楼盘，均价都接近15万，碧海均价在10-12万，宝安中心和碧海，依然有无限想象力！ 都写到这里了，欢迎点赞、关注、支持我。 回复

宝安区作为深圳最大的一个区，跨度较大，所以经济繁华程度就相对有地方落差。越靠近关内（市区：罗湖、福田、南山三个区）消费以及繁华程度就越高。越靠近沙井工厂区域就越多，所以相对落差较大些。以前一直在关内，不觉得有什么，自从在关内生活一段时间后再到宝安区接近沙井的地方就会发现，与市区内的文化以及经济落差真的挺明显的。宝安区的话，以西乡往罗湖、福田方向，经济以及消费越来越高，个人感觉西乡可以作为宝安的两个区域经济中心点吧。 要想真正体验深圳的魅力，就尽量靠近市区内吧，但作为一个毕业初入社会的要在市区内生活会有点压力，但是深圳这座城，我只能说，只要勤奋，饿不死！ 这样说你估计没什么概念，我来说组数据你就大概能理解这个落差了，工作，住宿是很重的支出一块，就按这个来说吧。靠近沙井，租房单间5、600很多，西乡固戍单间600-800， 靠近关内，就像我现在住的宝安区与罗湖区的交界处，单间是1200-1600，市区内单间是1200-2200。 具体的想问的那些问题你在细问把 回复

看你在宝安哪块工作以及什么工作咯。 宝安作为以前的深圳中心，虽然现在不算是中心了，但是这边的物价房租什么的还是挺高的，但是这边交通还是比较方便的，去深圳各个区都还好。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-05d6f8b9cc03e349d13860d89ea1ff5d.jpg 宝安的公园也是挺值得一去的，像灵芝公园，宝安公园，上川公园，流淌公园等等。 租房子的话，宝安的房租还是比较高的，福永固戍那边的城中村可能会便宜一点。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-f1f29829ae1df98efa47fb273201709a.jpg 回复

https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-e8f43ea0a218f7794708d4bfb8fe2617.jpg 深圳地图 宝安人来答一答。首先看你是在宝安的哪里，总的来说宝安现在和未来都是不错的。作为深圳改革开放前的县治所在地，宝安可以说是深圳改革开放以前最富历史的行政区。地图中新安一带的宝安中心，靠近南山区，市容市貌和南山福田没有差距，崭新宽阔的柏油路面配上高低有致的绿化景观会让人眼前一亮，尤其是椰子树的大量种植会给人一种强烈的身处繁华海岛的气息。高中我第一次走出宝安中心地铁站的时候原地看愣了几秒，从来没想过我大宝安还有发展到这种水平的地方。宝安中心，去过都说好。 宝安中心有全深圳最大的单体购物中心壹方城，万千商品应有尽有。此外拥有超级大广场的宝安体育馆、颜值和档次都不在深圳图书馆之下的宝安图书馆等等公共文体设施都很完备，宝图真的很漂亮的╮(╯▽╰)╭最终这些优秀的城市服务都反映在房价上了，宝安中心的核心地带房价早已突破十万大关，外围更是六万起（2021年1月更新，外围已普遍超过八万），作为对比，龙岗中心城核心地带也只是四万到五万的样子，这里除了地段因素（离深圳湾的远近），个人主观性地认为发展水平和城市服务也是很大的权重因素！（毕竟我是宝安人=) ——-5.18———- 今年宝安全境都涨疯了， https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-c019090f733c31105fd8ba6acf697045.jpg 宝安图书馆 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-0a30ce80372b76e10801cb0b342b0917.jpg 壹方城（换了个好看一点的图） https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-0488e1646e181b6818ffd0318817c12b.jpg 新开的大湾区地标——欢乐港湾摩天轮 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-0ee5fdb12eb4dcc074dc4e99d605982d.jpg 海雅缤纷城此外是2013年就开业了的宝安中心区最高端的商场（论招商水平）——海雅缤纷城，有Gucci、Dior等等大牌，这个品牌档次的商场在深圳貌似也就比不过罗湖万象城了吧～ 而且宝安的地铁也很方便，11号线从北到南横贯全区直达市中心福田站，全程一个小时多一点点，中间和机场相连通，全线设有商务车厢。此外还有传统的1号线，宝安中心还有5号线途经，11、1、5三条线路交汇在一起。2020年开通6号线和20线，前者主要从宝安北部出发，连通光明区可以到达龙华深圳北站和福田皇岗口岸。后者连接宝安北部国际会展中心和11号线、1号线。2022年开通12号线，长度和11号线相近，连通宝安南部的老城区。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-9045eca52f592d6227599805d0adbb51.jpg 但是要是在宝安北部（沙井、松岗等街道）工作生活的话就真的比较麻烦了……主要是环境较差，闲杂打工人士较多，治安也有待改善。不过题主如果在宝安中心上班工作的话住在松岗沙井也OK，坐地铁半小时不多不少就能到宝安中心。作为一个祖宗20+代都在松岗土生土长的宝安人，我个人感觉松岗会比沙井宜居清净，沙井会比松岗热闹繁华，松岗的商业配套真的有点一言难尽。 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-d85c7eefbe200ecf8aa586ebca9c4023.jpg https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-03c8f959c63232e34e87b5ec35b00c43.jpg 如果是在南山上班的话即使住在宝安最边缘的松岗，通勤距离也和龙岗大运中心到福田cbd的距离差不多 回复

如果题主吸烟，咽喉干痒，干咳，痰少或者没痰。可以试试同仁堂的养阴清肺丸。我是经常吃这个的。不过有痰的别吃。会让痰更多。 关于这方面的用药，能说的还很多，二陈丸也有成药，这个是燥湿化痰，痰多，痰白，咳嗽的可以吃。记住那三点，黄痰别吃。 根据我那个4s店原中医黑的朋友反馈，右归丸对腰膝酸软效果很好，对腹泻没效果。我建议他加四神丸，不过他还有淘宝的姜茶，吃完再换。 对于查了肠镜，胃镜加各种验血等，然后没毛病，就是习惯性腹泻的人来说，淘宝的姜茶可以管用，但不一定对证，而且，停了，就复发。 总体来说，我觉得同仁堂的成药还是不错的，不过我一般自己开汤药吃。 上个新鲜的图。https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-94b2dc035902f02e10571e77d79ff4aa.jpg https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-25bffb15f5669e8a71c431ba3d59568c.jpg 自己组的方。 最近手心脚心出汗严重，有时摁手机都摁不动，因为手上都是汗，偶有胸闷，心电图正常，去年体检也正常。 外表不固，气虚血瘀，辨病我也不会。只能按八纲辨证走。 黄芪20，当归9，丹参9。今天是第三天，目前摁手机是没问题了。我媳妇也说我手心出汗好很多。 我举自己的例子想说，辨证就是诊断，请专业人士解决。别自己瞎吃。 Ps，电药锅真心好用，开电就不用管了。设置完，正好3碗变1碗。 回复

生脉饮 红参人身党参方 累极了来两管回血不要太快 地黄丸大蜜丸系列 效果好而且口感也好 用料算扎实的 参苓白术散 正经的散剂没有加糖 回复

河车大造丸。跑了四五个药店都没有，包括医药公司， ，唯独同仁堂 中药里面有时候会用到“紫河车”（不知道的自行百度），一般都是袋装的粉剂，腥，味道也冲，不适应的会干呕，恶心 但是“河车大造丸”。听名字也肯定听的出来“紫河车”为主料。 里面把紫河车辅以其它药材中和使其味道不是那么刺鼻和令人作呕，有利就有弊，效果稍微减弱。 回复

勉强算是药的 同仁堂的酸梅汤 https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/zh/521637-e4aa7d24abe8bf39e326d099a204bd8d.jpg 买过不少淘宝店家的所谓古法酸梅汤，基本乌梅都是假的，里面加了过多的各种香味很呛的花，简直一大锅乱炖 也买过南方的雷允上的酸梅汤，虽然比淘宝好很多，乌梅也是真的，但配料还是有点太杂，不太对我的胃口 同仁堂的酸梅汤没啥其它的优点，就是配料经典，炖锅里煮好了后，放上足量冰糖，在放在冷藏室里放上半天，大夏天一口下肚真的是爽到无以复加。周围喝过的没有一个人不是赞不绝口 ps：酸梅汤的绝配是火锅、酸辣粉以及各种麻辣咸香的食物 回复

药都是好药，关键看你会不会用。 回复