تعلم آثار السببية على مستوى الفرد من البيانات الملاحظة، مثل استنتاج العلاج الأكثر فعالية لمريض معين، هو مشكلة تكتسب أهمية متزايدة بالنسبة لصانعي السياسات. الجانب الأكثر أهمية في استنتاج الآثار السببية من البيانات الملاحظة هو التعامل مع العوامل المشوشة، وهي عوامل تؤثر على التدخل ونتائجه. تقوم الدراسة الملاحظة المصممة بعناية بقياس جميع العوامل المشوشة الهامة. ومع ذلك، حتى إذا لم يكن لدى الباحث إمكانية الوصول مباشرة إلى جميع العوامل المشوشة، قد تكون هناك قياسات ضوضائية وغامضة للعوامل الوكيلة التي تمثل هذه العوامل المشوشة. نعتمد على التقدم الحديث في نماذج المتغيرات الكامنة لتقدير المساحة الكامنة غير المعروفة التي تلخص العوامل المشوشة والتأثير السببي بشكل متزامن. تعتمد طريقتنا على الشفرات الذاتية المتغيرة (Variational Autoencoders - VAE) التي تتبع البنية السببية للاستنتاج باستخدام العوامل الوكيلة. نظهر أن طريقتنا أكثر صلابة بكثير من الطرق الموجودة، وتتوافق مع أفضل التقنيات الحالية في المقاييس السابقة التي ركزت على آثار العلاج الفردية.