随机试验中异质性处理效应的因果推断方法

在随机对照试验（RCT）中，传统平均处理效应（ATE）分析可能掩盖不同子群体的异质性处理效应（HTE）。机器学习方法能够更灵活地捕捉复杂模式，为HTE估计提供新思路。

因果推断基础框架

潜在结果框架是HTE分析的理论基础。设 $Y_i(1)$ 和 $Y_i(0)$ 分别表示个体 $i$ 在接受处理和控制时的潜在结果，观测结果 $Y_i = T_i Y_i(1) + (1-T_i)Y_i(0)$。条件平均处理效应定义为： $$ \tau(x) = \mathbb{E}[Y(1)-Y(0)|X=x] $$

机器学习方法通过拟合 $\mu_t(x)=\mathbb{E}[Y|T=t,X=x]$ 来估计 $\tau(x)$，避免直接建模复杂的处理交互效应。

基于树结构的HTE估计方法

因果树（Causal Tree）通过递归分区使组内处理效应同质化。分裂准则采用如下目标函数： $$ \max \sum_{j=1}^J n_j (\hat{\tau}_j - \hat{\tau})^2 $$ 其中 $n_j$ 是节点 $j$ 的样本量，$\hat{\tau}_j$ 是节点处理效应估计。

因果森林通过自助聚合（Bootstrap Aggregating）提升稳定性，其估计量为： $$ \hat{\tau}(x) = \frac{1}{B} \sum_{b=1}^B \hat{\tau}_b(x) $$ $B$ 表示树的数量，$\hat{\tau}_b(x)$ 是第 $b$ 棵树的预测。

基于深度学习的HTE估计

深度神经网络通过表示学习捕获高阶交互。TARNet架构包含共享表示层和特定任务头：

class TARNet(nn.Module):
    def __init__(self, input_dim):
        super().__init__()
        self.rep_net = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU(),
            nn.Linear(64, 64))
        self.t_head = nn.Linear(64, 1)
        self.c_head = nn.Linear(64, 1)
        
    def forward(self, x, t):
        rep = self.rep_net(x)
        return t*self.t_head(rep) + (1-t)*self.c_head(rep)

损失函数包含预测误差和表示平衡项： $$ \mathcal{L} = \frac{1}{n} \sum (y_i - \hat{y}_i)^2 + \lambda \text{MMD}(P_1,P_0) $$

基于元学习器的HTE估计框架

S-Learner直接通过单模型估计： $$ \hat{\tau}(x) = \hat{\mu}(x,1) - \hat{\mu}(x,0) $$

T-Learner分别拟合处理组和对照组模型： $$ \hat{\tau}(x) = \hat{\mu}_1(x) - \hat{\mu}_0(x) $$

X-Learner引入倾向得分加权：

1. 估计 $\hat{\mu}_t(x)$ 和倾向得分 $e(x)$
2. 计算反事实残差 $D_i^1 = Y_i(1) - \hat{\mu}_0(X_i)$
3. 拟合 $\hat{\tau}_1(x)$ 于 $D^1$，加权组合最终估计

模型评估与验证

HTE评估需考虑：

• 精确治疗效应估计（PEHE）： $$ \epsilon_{PEHE} = \frac{1}{n} \sum (\tau(x_i) - \hat{\tau}(x_i))^2 $$
• 政策风险（Policy Risk）： $$ R(\pi) = \mathbb{E}[Y(\pi(X)) - Y(0)] $$
• 使用对抗验证检测协变量平衡

实际应用注意事项

样本分割需保证训练集和验证集独立。小样本场景建议使用交叉验证或自助法。连续处理变量可通过剂量响应曲线建模。模型解释可结合SHAP值或部分依赖图。

通过上述方法，研究者能够在保持因果识别的前提下，利用机器学习优势揭示处理效应的异质性模式，为精准决策提供依据。

https://raw.githubusercontent.com/ge-mise/8bd_xq83/main/README.md
https://github.com/ge-mise/r1k_fffy
https://github.com/ge-mise/r1k_fffy/blob/main/README.md
https://raw.githubusercontent.com/ge-mise/r1k_fffy/main/README.md
https://github.com/ge-mise/kyt_lr2j