因果推斷是預測的一個子領域，您試圖預測當施加某種處理時會發生什麼。因此，計量經濟學實際上只是一個狹窄的預測機器學習子領域。

@DamienTeney @austinc3301 這可能是經濟學家寫的。該死的經濟學家

@austinc3301 你剛剛證明了「因果建模」在某種意義上是一種「破解」，用來解決我們有時會遇到的壞數據問題。但當我們擁有良好的數據時——當我們看到所有的 U 時——預測建模就是我們所需要的一切。

@austinc3301 我們將永遠獲得更多數據，這意味著最終，預測模型可能會超越因果建模這一暫時的「黑客」。這是一個有用且優雅的黑客，但只是暫時的。

@austinc3301 要麼它們是可區分的——在這種情況下，預測模型將能夠區分它們——要麼不是——在這種情況下，它將無法區分。非常簡單

或是某種在某種意義上等同於干預的東西（就像那些經濟學家所稱的「工具」）。你可以稱之為「因果推斷」，我可以稱之為「預測」，但這滿足了我的陳述，即你的「因果推斷」實際上只是一種特殊的預測練習。

@austinc3301 你甚至承認這是正確的："因果推斷是關於擴展統計預測"

@austinc3301 不過，撇開惡搞不談，"因果推斷" 只是外推預測。Arpit 的實質觀點是，現在有一些黑箱模型在樣本外預測方面也相當不錯，這是通過與因果推斷截然不同的方法實現的。

@SeanGailmard 基本上，你的批評僅適用於糟糕的預測模型

@SeanGailmard DGP 只在它影響可觀察的反事實的程度上才重要。

@SeanGailmard 例如，看看

@SeanGailmard 與「DGP」無關；而是與在存在選擇、混淆等問題的情況下進行更好的預測有關。

@SeanGailmard 當然，我在玩一個愚蠢的迂腐遊戲，但我認為其中有一些實質內容。

@SeanGailmard 我最初的陳述很簡單：因果推斷就是預測當施加某種處理時會發生什麼。我不明白這為什麼在任何意義上都暗示著一個普遍或全能的預測模型。

@SeanGailmard 只需要足夠好，以便... 預測當治療應用時會發生什麼

@SeanGailmard 你這樣做的方法是找到一個工具或某種東西。我半開玩笑地反對的事情是，認為這在某種意義上與「預測」有實質上的不同。