DoubleML 因果推断简介

什么是 DoubleML？

DoubleML (Double/Debiased Machine Learning) 是一种结合了机器学习与计量经济学的统计框架，旨在高维数据环境下对因果参数（如平均处理效应 ATE）进行无偏估计和统计推断。

核心原理

传统机器学习模型擅长预测，但直接用于因果推断会产生正则化偏差（Regularization Bias）。DoubleML 通过以下两个关键步骤解决此问题：

1. Neyman 正交化 (Neyman Orthogonality)：构建一个矩条件，使得因果参数的估计对 nuisance parameters（如倾向得分和结果回归函数）的估计误差不敏感。
2. 交叉拟合 (Cross-Fitting)：将数据分为 K 折，在一部分数据上训练机器学习模型来预测 nuisance parameters，在另一部分数据上计算残差并估计因果效应。这避免了过拟合并确保了中心极限定理的适用性。

本案例流程

本 R 脚本 (main.R) 演示了完整的 DoubleML 工作流：

• 数据生成：模拟包含混淆变量的观测数据。
• 模型设定：使用 mlr3 包中的随机森林算法分别作为结果模型和倾向得分模型的基学习器。
• 估计与推断：利用 DoubleML 包执行交叉拟合，计算平均处理效应 (ATE)、标准误及置信区间。

该方法允许研究者在使用灵活的机器学习算法控制混淆因素的同时，依然能获得具有 $\sqrt{N}$-一致性和渐近正态性的因果估计量。

结果展示

本部分描述运行 main.R 脚本后的预期文本输出。

1. 控制台摘要输出 (Summary Output)

当代码执行到 print(dml_obj$summary) 时，终端将打印一个包含统计详细信息的表格。输出内容大致如下：

• 表头：显示系数名称 (coef)、标准误 (std err)、t 统计量 (t stat)、P 值 (P>|t|) 以及置信区间下限 (2.5%) 和上限 (97.5%)。
• 数据行：针对处理变量 D 的一行数据。
  • coef：显示的数值应接近真实设定的因果效应值 2.0（由于随机噪声，通常在 1.9 到 2.1 之间波动）。
  • std err：显示估计的标准误，通常是一个较小的正数（例如 0.1 左右）。
  • t stat：系数除以标准误的值，由于效应显著，该值通常远大于 1.96。
  • P>|t|：P 值，通常显示为 < 2e-16 或极小的数值，表明拒绝原假设（无效应）。
  • 2.5% 和 97.5%：显示 95% 置信区间的上下界，该区间应包含真实值 2.0。

2. 定制化文本输出 (Custom Text Output)

当代码执行到最后部分的 cat 语句时，终端将按顺序打印以下四行文字：

• 第一行：估计的平均处理效应 (ATE): 后跟一个浮点数。
  • 预期现象：该数字应非常接近 2.0000。
• 第二行：标准误： 后跟一个浮点数。
  • 预期现象：显示计算的稳健标准误。
• 第三行：95% 置信区间：[ 后跟下限值 , 后跟上限值 ]。
  • 预期现象：格式为 [Lower_Bound, Upper_Bound]。由于样本量为 1000 且模型设定正确，该区间应当狭窄且覆盖真实值 2.0。

示例模拟输出片段

Estimate   Std. Error   t value   Pr(>|t|)    2.5 %   97.5 %
D          2.0345       0.098      20.76     <2e-16    1.842   2.227

估计的平均处理效应 (ATE): 2.0345
标准误：0.0980
95% 置信区间：[1.8424, 2.2266]

• (注：具体数值会因随机种子和数据生成的随机性而略有不同，但结构保持一致)*