causalinference

选择并执行一种可靠的因果识别策略——随机对照试验（RCT）、自然实验、双重差分法（DID）、断点回归（RD）、工具变量法（IV）或匹配法——按假设强度排序，并提供混杂因素检查清单、证伪检验以及可辩护的效应估计值。适用于以下场景：当有人提出“X是否真的导致了Y”、“如何在没有A/B测试的情况下衡量影响”、“这种相关性是否具有因果性”等问题，或需要为基于观测数据的效应估计进行辩护时。 **注意**：本技能不用于设计数据收集研究本身（如抽样、测量工具、统计功效等），此类需求应使用 primary-research 技能；若仅需解读已完成的A/B测试结果，请使用 ab-test-analyzer 技能。

模型生成摘要（rules/v1 · 2026-11-14 09:03）：选择并执行一种可靠的因果识别策略——随机对照试验（RCT）、自然实验、双重差分法（DID）、断点回归（RD）、工具变量法（IV）或匹配法——按假设强度排序，并提供混杂因素检查清单、证伪检验以及可辩护的效应估计值
这是模型对公开材料的总结，不是官方声明，请以原链内容为准。

存档时间线

版本	存档时间	内容哈希	内容
v1	2026-11-14 09:02	9b66b52c	可取

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

纠错与举报（发现条目失效、署名有误或涉及侵权？）

提交举报 / 纠错

侵权举报经核验成立后，我们会即时下线该条目并删除已存的内容副本。