2021年5月31日晚，我院成功举办求是学术讲座第164讲，哈佛大学社会学系周翔副教授受邀并进行主题为“因果推断，因果中介分析，与去偏差机器学习”的专题讲座。本次讲座由我院张友浪老师主持，430多院校内外师生线上共同参与。

会议一开始，周老师便简要介绍了因果推断在社会科学方法论中的重要性，并由此引出“去偏差机器学习”方法的前沿应用。他介绍道，去偏差机器学习是指导研究者运用前沿机器学习技术分析因果推断以及统计模型参数的理论框架，不仅拥有机器学习相比于最小二乘法、Logistic等线性参数模型更灵活函数形式的一般优势，同时解决了机器学习直接运用数据拟合因果关系易产生偏差的缺陷，是实现无偏、有效因果推断的前沿方法。

周老师认为，因果推断的实证分析由于涉及反事实，仅通过大量数据直接进行拟合行不通，需要假设与数据相结合方能得出结论。结合高等教育回报对政治参与作用的因果案例，一个已经拥有高等教育经历的个体无法被观测到其不具备高等教育经历的反事实假设。若想正确估计高等教育对政治参与影响的因果效应，需要经历基于理论的目标参数定义、基于假设的目标参数识别、基于模型的目标参数估计以及基于估计结果的理论回归等四个步骤进行具体测量。

基于潜在结果表达，使用平均处理效应、干预组平均处理效应定义目标参数后，周老师重点介绍了基于可忽略假设的观察研究的目标参数识别策略及其三项基本假设。更进一步，周老师通过一致性、渐进正态、有效性将不同估计量的评估方法排序为不行（不一致）、还行（一致但不渐进正态）、行（一致且渐进正态）、很行（一致、渐进正态且有效）的由差到优四个等级，对目标参数估计方法的回归插补法、逆概率加权法、双重稳健估计量法的优劣进行系统讲解。

高维情景下参数模型设定错误风险较高的局限性，最小化预测值均方误差的机器学习准则为机器学习进行高维情景下估计提供可能。周老师介绍道，去偏差机器学习结合双重稳健估计法，使用内曼正交估计方程进行交叉拟合估计，克服了偏差大、置信区间构建难的问题，是一种“很行”的半参数因果估计方法。随后，周老师毫不吝惜的将自己最新研究成果融入讲座中，在嵌套潜在结果的因果中介效应介绍基础上，讲解自己提出的由两个存在k+2重稳健模型所构成的多重稳健估计研究。

在交流互动阶段，周老师分别解答了传统的中介检验与因果中介效应检验间的联系与区别、Bootstrapping能否运用于因果中介效应估计值推断等问题，并且向同学们推荐了学习因果推断教材。

最后，张友浪老师感谢周老师精彩讲座，并推荐同学们通过周老师个人网站，查阅下载周老师研究论文与各类命令集进一步进行定量研究方法的学习。