partykit算法因果解释性及亚组暴露-反应关系因果解读问询

针对两个问题的明确答复如下：

• partykit内置算法无法直接确保输出结果具备可靠因果解释性。partykit本质是递归划分类模型（条件推断树、模型树、随机森林等）的通用实现框架，核心功能是基于协变量完成样本递归划分、拟合变量间的条件关联关系，本身不内置任何因果识别逻辑。模型输出结果能否做因果解释，完全取决于前置研究设计是否满足因果推断的核心假设——包括是否充分控制了混杂因素、是否排除了反向因果干扰、是否满足一致性与可忽略性要求等，工具本身不会替代研究者完成因果识别环节，自然无法为结果的因果属性做担保。如果直接使用未经过因果设计的观测数据运行partykit内置模型，输出结果仅能反映变量间的关联关系，不具备因果解释效力。
• 借助partykit完成亚组划分后，亚组内部估计的暴露-反应关系不具备天然的因果解释效力，是否能做因果解读需要结合分析流程判断：
  1. 若亚组划分过程未加因果约束，算法很可能将对撞机、中介变量等纳入划分节点，直接引入亚组层面的选择偏倚，此时亚组内的关联估计完全不具备因果参考价值；
  2. 若预先在因果有向无环图（DAG）指导下筛选了仅包含治疗前基线变量的划分协变量集、避免了坏控制问题，且亚组内部满足混杂平衡、正定性等因果识别前提，此时估计得到的暴露-反应关系可以具备对应程度的因果解释效力；
  3. 如果是基于随机对照试验数据做亚组划分，只要划分节点均为随机化前测量的基线变量，亚组内的处理效应估计通常可以做因果层面的异质性解读。

核心提醒：不存在任何统计工具可以跳过研究设计与因果识别假设直接输出可靠的因果结论。如果需要使用partykit完成因果导向的亚组异质性分析，建议配合因果推断专用的分析流程（如因果森林、预先指定协变量集的约束划分等）使用，不要直接将默认参数下输出的关联模型结果解读为因果关系。

内容的提问来源于stack exchange，提问作者Pan Qing