LLM合成数据与因果推断：混合方法保持因果结构完整性

本项目提出结合大语言模型（LLM）与传统生成模型的混合合成数据方法，旨在解决因果推断中的数据共享难题，同时保持平均处理效应（ATE）等关键因果量的准确性，为因果推断领域的数据隐私保护与协作研究提供新方向。

在医学、社会科学和政策评估等领域，因果推断是理解干预效果的核心方法，但真实世界数据存在两大痛点：一是隐私伦理限制导致数据难以共享；二是观察性数据常出现正定性违规问题。现有合成方法（如GAN、简单LLM生成）虽能复制预测统计特征，却无法保持关键因果结构（尤其是ATE）。

混合方法的核心是分离协变量分布与因果机制处理：使用CTGAN或基于LLM的GReaT生成合成协变量，再通过拟合模型模拟处理变量和结果变量的条件分布，既保留协变量结构，又维持因果机制。

项目提供完整实验代码，流程含数据生成、合成数据生成、因果推断和质量评估四阶段。结果显示，混合方法在保持ATE估计准确性方面显著优于完全合成方法，说明因果推断应用中仅追求预测精度的生成模型不足够。

正定性是因果推断的基本假设之一，本项目通过从种子数据生成合成样本、策略性填充稀疏区域，构建满足正定性假设的增强数据集，创造性解决该问题。

在数据隐私法规严格的背景下，生成保持因果结构的合成数据可让研究机构在不暴露敏感原始数据的情况下，支持跨机构协作研究。

本项目为因果推断中的合成数据应用提供方法论指导，核心启示是：因果应用场景下，生成模型设计必须显式考虑因果结构保持，而非仅关注预测精度。