因果推断是预测的一个子领域，旨在预测施加某种处理后会发生什么。因此，计量经济学实际上只是预测机器学习的一个狭窄子领域。

@DamienTeney @austinc3301 可能是个经济学家写的。该死的经济学家

@austinc3301 你刚刚证明了“因果建模”在某种意义上是一个“黑客”，用来解决我们有时会遇到的糟糕数据的问题。但当我们有好的数据时——当我们看到所有的 U 时——预测建模就是我们所需要的一切。

@austinc3301 我们将始终获得更多数据，这意味着最终，预测模型可能会超越因果建模这一临时的“黑客”方法。这是一个有用且优雅的黑客，但只是一个临时的。

@austinc3301 要么它们是可区分的——在这种情况下，预测模型将区分它们——要么不是——在这种情况下，它将无法区分。非常简单

或者某种在某种意义上等同于干预的东西（就像那些经济学家所称的“工具”）。你可以称之为“因果推断”，我可以称之为“预测”，但这满足了我的说法，即你的“因果推断”实际上只是一种特殊的预测练习。

@austinc3301 你甚至承认这是正确的："因果推断是关于扩展统计预测的"

@austinc3301 不管怎样，撇开恶搞不谈，"因果推断"只是外推预测。Arpit 的实质观点是，现在有一些黑箱模型在样本外预测方面也相当不错，采用的方法与因果推断截然不同。

@SeanGailmard 基本上，你的批评只适用于糟糕的预测模型

@SeanGailmard DGP 只在它影响可观察的反事实的程度上才重要。

@SeanGailmard 看，比如说

@SeanGailmard 与“DGP”无关；与在存在选择、混杂等问题的环境中更好的预测有关。

@SeanGailmard 当然，我在玩一个愚蠢的迂腐游戏，但我认为其中有一些实质内容。

@SeanGailmard 我最初的陈述很简单：因果推断就是预测施加某种处理时会发生什么。我不明白这在任何意义上为什么意味着一个普遍或全能的预测模型。

@SeanGailmard 只需要足够好，以便... 预测治疗施加时会发生什么

@SeanGailmard 你这样做的方法是找到一个工具或其他东西。我半开玩笑地反对的是，认为这在某种意义上与“预测”有实质性的不同。