Causal Forest (grf) 项目简介

概述

本项目演示了如何使用 R 语言中的 grf (Generalized Random Forests) 包来构建因果森林 (Causal Forest) 模型。因果森林是一种基于随机森林的非参数方法，专门用于估计异质性处理效应 (Heterogeneous Treatment Effects, HTE)，即不同个体对同一干预措施的反应差异 (CATE - Conditional Average Treatment Effect)。

核心功能

1. 数据模拟: 生成包含协变量、二元处理变量和结果变量的合成数据集，其中预设了基于特定协变量 (X1) 的异质性处理效应。
2. 模型训练: 利用 causal_forest 函数训练模型，自动处理倾向得分估计并构建森林以捕捉处理效应的异质性。
3. 效应预测: 对每个样本预测其个体处理效应 (tau-hat)。
4. 效果评估: 通过计算预测效应与真实效应之间的相关性和均方误差来量化模型性能。
5. 子群分析: 基于预测结果识别对干预最敏感的高响应人群特征。

依赖环境

• R 版本 >= 4.0
• 主要依赖包: grf, dplyr

适用场景

• 医疗领域：评估药物对不同特征患者的疗效差异。
• 市场营销：分析促销活动对不同用户群体的转化率提升。
• 公共政策：研究教育干预对不同背景学生成绩的影响。

结果展示说明

本部分描述运行 main.R 脚本后，在 R 控制台 (Console) 中预期的文本输出内容。

1. 模型评估输出

当代码执行到评估部分时，控制台将打印模型的准确性指标。

• 输入操作*:

运行脚本直至第 4 步 (评估模型性能)。

• 预期输出*:

模型评估结果:
预测 CATE 与真实 CATE 的相关系数：0.XX  (数值通常在 0.6 到 0.9 之间，取决于随机种子)
均方误差 (MSE): 0.XX  (数值越小越好)

• 描述*: 这表明模型成功捕捉到了由 X1 驱动的处理效应变化。相关系数越高，说明预测的异质性越接近真实情况。

2. 高响应子群分析输出

当代码执行到最后一步 (识别高响应子群) 时，控制台将打印特定子群的统计特征。

• 输入操作*:

运行脚本直至结束。

• 预期输出*:

高响应子群 (Top 10%) 的协变量 X1 均值:
[1] 1.XX (正值，通常显著大于 0)
(理论上 X1 应大于 0，因为真实效应由 X1>0 决定)

• 描述*:
• 输出的 [1] 1.XX 表示被模型判定为“对处理反应最强烈”的前 10% 样本，其 X1 变量的平均值是一个正数。
• 这验证了因果森林的有效性：因为在模拟数据中，只有当 X1 > 0 时处理效应才存在 (值为 2)，模型成功地学习到了这一规则，并将 X1 较大的样本识别为高响应者。
• 如果模型无效，该均值可能接近 0 或为负数。