混杂在统计学中起着重要作用，因为我们正在寻找确定一组变量对另一个变量的确切影响。如果混淆变量被排除在统计模型之外，那么为包含的变量测量的效果可能会出现偏差。

在进行预测时，混淆并不是一个大问题，因为我们不关心确定一个变量对另一个变量的确切影响。我们只是想找出给定一组预测变量的因变量的“最可能”值是多少。

例如，假设我们想估计一个人的年龄在多大程度上影响他们的薪水。所以我们可以估计模型： 很可能是正的并且相当大，因为老年人往往有更多的教育和更多的工作经验。因此，如果我们希望确定年龄和薪水之间的联系，我们可能应该控制这些混杂因素，估计模型： 很有可能并且

$$\begin{equation} \text{salary}_i = \beta_ 0 + \beta_1 \text{age}_i + \varepsilon_i. \end{equation}$$ $\beta_1$ $$\text{salary}_i = \beta_ 0 + \beta_1^* \text{age}_i + \beta_2 \text{education}_i + \beta_3\text{experience}_i + \varepsilon_i.$$ $\beta_1^* < \beta_1$$\beta_1^*$将是一个更好的估计年龄对收入的纯粹影响的指标。也就是说，在“改变某人的年龄并保持其他一切不变”的意义上。然而，由于年龄与教育和经验高度相关，第一个模型可能足以预测一个人的薪水。

当混杂关系发生变化时，混杂是一个预测问题。这是生产中 ML 模型的常见问题。例如，看看我们可以从谷歌流感趋势的史诗般失败中学到什么。

另一个常见问题是反馈循环。例如，Google 会根据预测的响应可能性来展示广告结果，但在列表中的位置会影响点击率。 机器学习中的因果关系。

控制混杂的唯一方法是随机化，因为它将平衡已测量和未测量的混杂。分析级别的任何调整都只是试图尽量减少测量的混杂（匹配、限制、G 方法......），但不能消除它。因此，如果练习的目标只是预测而不试图操纵结果，也就是预测目标，那么你不需要关心混淆。但是，如果您想要一个预测模型，您将使用该模型通过操纵预测变量来改变结果，那么这是一个更具挑战性的目标，因为在这种情况下，您需要针对混杂因素进行调整。我能提供的最简单的例子是：冰淇淋销量的增加将是晒伤发生率增加的一个很好的预测指标。然而，如果你想改变晒伤的发生率，禁止冰淇淋销售将无济于事。一旦你控制了混杂因素（夏日阳光），冰淇淋销售之间的统计联系就消失了（因为它是统计联系，而不是因果联系）。现在将直观的变量（冰淇淋销售、晒伤和温暖的天气）更改为非直观变量（例如血液中的生物标志物 1、癌症风险以及我们甚至不知道存在的混杂因素），您就会明白更好的是，为什么没有随机化我们会处于一种有偏见的情况，这种情况甚至难以量化，但方向也是如此。

混杂变量可能导致不相关的数量看起来是相关的。

想象一下，您想检查喝红酒是否对您的心脏有益。你出去调查一群人，以了解 a）他们喝了多少红酒和 b）某种心脏健康指标。

当您这样做并在图表上绘制数据时，您可能会发现存在明显的负相关。然后你得出结论：

$$\begin{equation} \textbf{Wine}\implies \textbf{Cardiac Health} \end{equation}$$

惊人的！所以喝红酒可以让你的心脏健康，我应该多喝！

但是等等，我们学到的只是“喝更多酒的人往往有更健康的心脏。”

如果收入是一个混杂变量并影响葡萄酒消费和健康怎么办：

• 有钱人喜欢喝更多的酒。
• 富有的人往往拥有更好的医疗保健。

为了正确解开这些变量并找出真实故事，我们需要使用因果推理（或因果发现）来确定葡萄酒消费是否对心脏健康的影响超出了个人财富的影响。

根据您通过对混杂因素的因果方法所学到的知识，您可以尝试将 ML 算法限制为仅使用因果图中的变量。

如果您有线性模型，您还可以将模型系数限制为正/负，并确保您的模型与发现的图一致。