通过因果视角重新思考累犯问题

对犯罪累犯（即人们未来是否会再次犯罪）的预测建模有着漫长且充满争议的历史。现代因果推断方法使我们能够超越预测，在观测数据集中针对特定干预对结果产生的“处理效应”进行估计。在本文中，我们利用来自北卡罗来纳州的知名数据集，具体考察监禁（服刑时间）对累犯的影响。我们解释并演示了两种用于处理混杂偏倚的流行因果方法：有向无环图（DAG）调整与双重机器学习（DML），包括对未观测混杂因素进行的敏感性分析。我们发现监禁对累犯具有有害效应，即较长的刑期使得个体在释放后更可能再次犯罪，尽管这一结论不应被推广到我们数据范围之外。我们希望本案例研究能为因果推断在刑事司法分析中的未来应用提供参考。