资源介绍
英文版电子书）
全书结构清晰，从基础理论到实战应用逐步展开，共 10 章。第 1 章为引言，点明企业中影响评估的核心价值与常见误区，强调 “因果推断” 而非 “预测” 是决策的关键；第 2 章阐述影响评估的基础概念，包括 “因果推断的根本问题”（无法同时观察同一主体在 “干预” 与 “不干预” 下的结果）、潜在结果框架（Y (1) 表示干预后的结果，Y (0) 表示未干预的结果， impact = Y (1)-Y (0)），以及 “选择偏差”（如将 loyalty 卡用户与非用户直接对比，可能混淆 “卡的作用” 与 “用户本身的消费意愿”）；第 3-9 章分别详解 7 类主流评估方法，每章均包含 “方法原理 - 行为假设 - 实战案例（R 与 Python）” 三部分；第 10 章总结领域最新进展，展望影响评估在企业决策中的未来应用。
书中核心方法覆盖实验与非实验场景，适配不同数据可得性与业务约束：
实验法（A/B 测试）：作为 “黄金标准”，通过随机分配干预（如部分客户看广告、部分不看）确保两组可比，直接对比结果差异即为干预影响。书中以电商页面设计、线下门店商品摆放为例，展示如何通过随机分组规避选择偏差，并提供 R（如lm回归、npregbw核回归）与 Python（statsmodels线性回归、KernelReg核回归）的代码实现，还探讨了多干预（如不同折扣力度）的评估逻辑。
可观测变量选择法：当实验不可行时（如无法随机调整产品质量），通过匹配、倾向得分、逆概率加权等方法，让 “干预组” 与 “对照组” 在可观测特征（如年龄、收入、过往消费）上可比。例如，评估优惠券对消费的影响时，仅对比 “过往消费、年龄相似” 的用券与不用券客户。书中详细讲解倾向得分匹配（通过Match包）、逆概率加权（treatweight包）、双重稳健估计（结合回归与加权，降低单一方法误差），并提供完整代码。
因果机器学习：面对海量特征（如客户行为轨迹、多维度 demographics），传统方法难以筛选关键变量，因果机器学习可通过数据驱动方式识别影响干预与结果的核心特征。书中介绍 “双重机器学习（DML）”（结合机器学习模型与双重稳健估计）、因果树（识别干预效果异质性，如 “年轻客户对营销更敏感”）、政策树（优化干预策略，如 “向高过往消费客户发券”），并通过零售优惠券案例，展示如何用 R（grf包）与 Python（DoubleML库）实现效果异质性分析与精准靶向。
工具变量法：针对 “干预非随机且存在未观测混淆变量” 的场景（如员工参与培训可能受 “学习意愿” 影响，而意愿不可观测），通过 “工具变量”（如随机发放的培训邀请，仅影响参与概率、不直接影响生产力）间接估算干预影响。书中以金融咨询、员工培训为例，讲解工具变量的核心假设（排除限制、单调性），并提供 R（AER包）与 Python（linearmodels库）的实现代码。
断点回归设计：当干预分配基于某一 “阈值”（如客户流失风险≥50% 则发折扣券），通过对比阈值附近的 “干预组”（略高于阈值）与 “对照组”（略低于阈值）评估影响 —— 因阈值附近的主体特征近似，可模拟实验场景。书中以互联网服务商客户留存、零售商 loyalty 卡发放为例，讲解 “ sharp 断点”（阈值决定干预）与 “模糊断点”（阈值影响干预概率）的分析逻辑，并用 R（rdrobust包）与 Python（rdrobust库）实现。
双重差分法：适用于 “有干预前后数据、且存在未干预对照组” 的场景（如某区域门店推新策略，其他区域为对照），核心假设是 “两组在无干预时趋势一致”，通过 “（干预组前后差异）-（对照组前后差异）” 得到干预影响。书中以员工培训、餐厅优惠券为例，讲解平行趋势假设的验证方法（安慰剂检验），并提供 R（DRDID包）与 Python（DoubleML库）的代码。
合成控制法：针对 “仅单个主体受干预” 的场景（如某城市推新政策，其他城市为对照），通过加权组合对照组，构建 “合成干预主体”（如用多个城市的经济数据加权，模拟 “未推政策的目标城市”），对比 “真实干预主体” 与 “合成主体” 的差异即为影响。书中以加州控烟政策、某市场定价策略为例，展示如何用 R（synthdid包）与 Python（synthdid库）构建合成控制组，并通过安慰剂检验评估结果稳健性。
本书的核心价值在于 “理论通俗化 + 实战落地”：不要求读者具备深厚的数学基础，通过大量企业案例（零售优惠券、员工培训、客户留存、定价策略等）和图形化解释（如潜在结果对比图、断点回归图）传递方法直觉；同时，所有案例的数据集与代码均开源（可在哈佛数据仓库获取，链接：https://doi.org/10.7910/DVN/2P8AY0），读者可直接复现结果并适配自身业务场景。
适用人群包括企业管理者、数据分析师、营销 / HR / 运营从业者 —— 无论是否具备编程基础，都能通过本书理解影响评估的核心逻辑；对于有 R 或 Python 基础的读者，可直接借助实战案例将方法应用于实际决策，如优化营销资源分配、评估培训效果、验证政策有效性等，最终实现 “基于证据的决策”，提升企业资源利用效率与决策准确性。