在复杂的数据环境中，相关性往往掩盖了真实的业务逻辑。Lattice 的因果推断架构通过三阶段处理确保结论的科学性：首先，LLM 根据您的业务场景（如政策实施、门槛规则或观察性研究）自动匹配双重差分、断点回归、工具变量或倾向得分匹配工具；其次，底层的确定性引擎执行精确数学计算，确保在相同参数下结果可复现；最后，LLM 将统计系数翻译为业务视角的人话。我们不仅计算处理效应（ATT/LATE），更关键的是内置了平行的趋势检验、密度连续性检验、弱工具变量诊断及平衡性验证等反幻觉机制，若这些核心假设不成立，系统会强制触发警示，避免盲目解读数据。
何时选择这一家族
- 您有政策干预前后的数据，想评估干预措施产生的实际效应。
- 业务中存在明确的门槛规则（如折扣阈值），想对比门槛两侧的转化差异。
- 存在内生性困扰，手头有影响干预但不直接影响结果的外部工具变量。
- 仅拥有观察性数据，需要通过匹配特征相似的个体来构造近似对照组。
因果推断的核心任务
该工具集主要用于解决“反事实”问题，即通过估算如果没有干预措施发生，结果会是什么样。无论是通过时间维度的 DiD，还是空间维度的 RDD，其本质都是从混杂数据中剥离出纯净的处理效应（Treatment Effect）。
不同于描述性统计或简单的回归分析，本套件强制要求对假设进行校验。计算结果不仅包含效应值，还自动配套了各项前置诊断指标，确保结论建立在逻辑自洽的基础上。
与其他统计方法的区别
普通的回归分析倾向于拟合所有数据的整体趋势，而因果推断专注于识别特定变量的因果链条。例如，倾向得分匹配（PSM）与简单的聚类分析不同，它通过加权或匹配使得对照组在特征分布上尽可能接近处理组，从而模拟随机实验的条件。
本套件的独特之处在于对“反幻觉”的重视。如果数据不满足平行趋势或工具变量强度不足，系统会通过显著的旗标阻止您将结果误读为因果关系，这与仅提供 p 值的常规分析有本质差异。
常见误区
最常见的误区是将相关性等同于因果。即便计算出的效应显著，如果违反了统计假设（如平衡性检测未通过），该数值亦无意义。请始终优先查看系统反馈的诊断报告。
过度依赖自动带宽或默认参数。虽然平台提供启发式 IK 算法，但在特定业务领域，利用领域知识手动调整参数往往能获得更具解释力的结果。
常见问题
- 如果系统提示“平行趋势违反”，我该怎么办？
- 这意味着在政策实施前，处理组和对照组本身的变化趋势就不一致，计算出的 ATT 有偏。建议检查变量定义，或者寻找其他时间段/更细粒度的控制变量重新拟合，不要直接使用当前结果。
- 为什么我的工具变量（IV）模型显示“弱工具变量”警报？
- 当工具变量与内生变量之间的相关性过弱（F<10）时，2SLS 估计量的偏差会显著放大。建议寻找相关性更强的替代指标，或在无法改进工具变量时，选择更稳健的非参数方法重新分析。