FELISHA：大语言模型辅助的因果推断智能流水线

FELISHA项目将大语言模型（LLM）与因果推断方法相结合，基于Petersen-van der Laan因果路线图构建自动化分析流水线，通过R语言桥接实现统计计算，旨在降低因果推断的专业门槛，为社会科学、医学及商业等领域提供智能化的因果分析工具。

在数据科学和统计学领域，因果推断是理解变量间因果关系的核心方法，旨在回答"如果改变了X，Y会如何变化"的问题。然而，因果推断分析具有高度专业性和复杂性，研究者需面临以下挑战：

• 理解复杂统计理论（如潜在结果框架、结构因果模型）
• 选择合适识别策略（如工具变量、断点回归）
• 正确实现统计估计方法
• 解释结果并评估假设合理性 这些门槛限制了因果推断在更广泛领域的应用。

基于Petersen-van der Laan因果路线图

FELISHA以该路线图为理论基础，将分析划分为因果问题定义、模型构建、识别策略选择、统计估计、敏感性分析等阶段，引导用户系统化完成分析。

LLM辅助的智能化流程

LLM在项目中承担自然语言理解（转化研究问题为因果查询）、方法推荐、R代码生成、结果解释、假设检验等角色。

R语言桥接

通过R桥接层无缝集成R的统计计算能力（如MatchIt、AIPW等包），实现Python与R的数据转换、包管理及结果整合。

自主主控模式

支持从问题理解到结果生成的全流程自动化，用户仅需提供数据和问题，系统在关键节点请求确认，最终生成完整报告。

核心组件

1. 因果图引擎：构建因果图，支持d-分离检验和后门准则识别
2. LLM接口层：封装与OpenAI、Anthropic等LLM提供商的交互
3. R集成层：通过rpy2实现Python-R桥接
4. 工作流引擎：管理分析流程状态与执行顺序
5. 报告生成器：编译分析结果为结构化文档

典型使用流程

1. 数据上传（支持CSV、RData等格式）
2. 自然语言描述研究问题
3. 自动/交互式构建因果图
4. 系统推荐识别策略和估计方法
5. 自动生成并执行R代码
6. 查看统计结果与可视化图表
7. 导出包含完整过程的报告

社会科学研究

帮助经济学、社会学等领域研究者明确因果假设、实施匹配/加权方法、评估结果稳健性。

医学和公共卫生

支持观察性研究中的因果效应估计、生存数据处理、中介分析理解作用机制。

商业分析

用于营销活动效果评估、产品改版影响分析、用户行为驱动因素识别。

优势

• 降低门槛：非专业人员可进行规范因果分析
• 保证质量：系统化流程减少常见错误
• 教育价值：展示决策过程助力因果推断学习
• 可复现性：生成代码和报告支持分析复现

局限

• 假设依赖：结果依赖不可验证的假设
• 复杂场景：高度复杂设计下自动方法灵活性不足
• 领域知识：无法替代专家对因果机制的理解
• LLM局限：可能产生幻觉，关键决策需人工验证

未来展望

1. 整合贝叶斯因果推断、因果机器学习等前沿方法
2. 增强交互式因果图编辑与结果可视化
3. 支持团队协作共享模型和分析结果
4. 针对经济学、医学等学科定制优化

结语

FELISHA结合LLM的自然语言能力与严谨统计方法，为因果推断提供智能化辅助工具，降低入门门槛，推动因果推断规范化与普及化，是非统计背景研究者值得关注的开源项目。