CATE 条件平均处理效应估计：五大方法原理详解与实战

优点：实现最简单，只需训练一个模型。

缺点：当使用正则化模型（如 Lasso、随机森林）时，模型可能认为 T 的贡献不重要而将其效应缩小甚至忽略，导致CATE 估计偏向于零（regularization bias）。

def s_learner(X, T, Y):
    XT = np.column_stack([X, T])
    model = GradientBoostingRegressor(n_estimators=200, max_depth=4)
    model.fit(XT, Y)
    tau_hat = model.predict(np.c_[X, np.ones(len(X))]) - model.predict(np.c_[X, np.zeros(len(X))])
    return tau_hat

2.2 T-Learner（Two Model Learner）

核心思想：处理组和控制组各自训练一个模型，然后做差。

步骤：

1. 用处理组数据训练 μ̂₁(x) 拟合 E[Y|X=x, T=1]
2. 用控制组数据训练 μ̂₀(x) 拟合 E[Y|X=x, T=0]
3. CATE 估计：

优点：允许处理组和控制组的结果模型完全不同，灵活性高。

缺点：当处理组或控制组样本很少时，对应的模型估计不准确。两个独立模型的误差会叠加。

def t_learner(X, T, Y):
    model_1 = GradientBoostingRegressor().fit(X[T==1], Y[T==1])
    model_0 = GradientBoostingRegressor().fit(X[T==0], Y[T==0])
    tau_hat = model_1.predict(X) - model_0.predict(X)
    return tau_hat

2.3 X-Learner（Cross Learner）

核心思想：利用'反事实插补'的思想，用一个组的模型去预测另一个组的反事实结果，弥补 T-Learner 在样本不均衡时的不足。出自 Künzel et al. (2019) 的经典论文。

步骤（三阶段）：

阶段 1：分别拟合结果模型（同 T-Learner），训练控制组模型 μ̂₀(x) 和处理组模型 μ̂₁(x)。

阶段 2：计算伪处理效应（Imputed Treatment Effects）

对处理组个体（观测结果 - 预测的反事实）：

对控制组个体（预测的反事实 - 观测结果）：

阶段 3：拟合 CATE 模型并加权

• 处理组 CATE 模型 τ̂₁(x) 拟合 D̃¹ ~ X
• 控制组 CATE 模型 τ̂₀(x) 拟合 D̃⁰ ~ X
• 最终 CATE：

其中 e(x) 是倾向性得分。直觉是：哪个组样本多，就更多地依赖那个组的 CATE 估计。

优点：在处理组/控制组样本严重不均衡时表现远优于 T-Learner。

2.4 因果森林 DML（CausalForestDML）

核心思想：结合双重机器学习（DML）的去偏框架和因果森林来捕捉非线性异质性效应。

步骤（两阶段）：

第一阶段——去偏/正交化（Orthogonalization）：

使用机器学习模型去除协变量对 Y 和 T 的影响：

关键操作是交叉拟合（Cross-Fitting）：将数据分为 K 折，每折用其余 K-1 折训练的模型来预测当前折，避免过拟合偏差。

第二阶段——CATE 估计：

用因果森林（Generalized Random Forest）在残差 Ỹ 和 T̃ 上估计异质性效应 τ(X)。因果森林的分裂准则：最大化子节点间处理效应差异（而非预测误差）。

优点：能捕捉复杂的非线性 CATE 模式，同时 DML 去偏保证了估计的无偏性。

2.5 线性 DML（LinearDML）

核心思想：与因果森林 DML 共享相同的第一阶段去偏过程，但第二阶段假设 CATE 是协变量的线性函数：

优点：

• 可解释性极强：β 的每个分量直接告诉你对应特征对 CATE 的边际效应
• 提供统计推断：可以输出系数的置信区间和 p 值
• 适合特征影响近似线性的场景

缺点：无法捕捉非线性异质性（如我们模拟数据中 X₂² 的效应）。

2.6 方法对比总结

3 模拟数据设计（DGP）

为了公平评估各方法，我们设计了如下的数据生成过程（DGP）：

3.1 变量设计

3.2 数据生成公式

真实 CATE 函数：

设计意图：

• X₁：对 CATE 有线性影响
• X₂：对 CATE 有**非线性（二次）**影响
• X₃, X₄, X₅：对 CATE无影响（噪声特征）

倾向性得分（处理分配机制）：

X₁和 X₃同时影响处理分配和结果（混淆变量），这使得朴素估计存在偏差。

基线结果函数：

观测结果：

3.3 数据生成代码

def generate_data(n=5000, seed=42):
    np.random.seed(seed)
    X = np.random.randn(n, 5)
    X1, X2, X3 = X[:, 0], X[:, 1], X[:, 2]
    # 真实 CATE
    tau_true = X1 + 0.5 * X2**2 - 1.0
    # 倾向性得分（存在混淆）
    e_x = 1.0 / (1.0 + np.exp(-(0.5*X1 + 0.3*X3)))
    T = np.random.binomial(1, e_x)
    # 基线结果 + 处理效应 + 噪声
    Y = (2.0*X1 - X2 + 0.5*X3) + T * tau_true + np.random.randn(n)*0.5
    return X, T, Y, tau_true

4 实验结果

4.1 评估指标

MSE（均方误差）：

Bias（平均偏差）：

4.2 各方法评估结果

以 n=5000 的模拟数据运行结果：

4.3 结果分析

1. X-Learner 表现最优（MSE=0.0516, R²=0.9672）

X-Learner 通过反事实插补和倾向性加权，充分利用了两组数据的信息互补。在本实验中 MSE 最低、R²最高，是五种方法中表现最好的。

2. S-Learner 表现稳健（MSE=0.1003, R²=0.9362）

S-Learner 只用了一个模型，但 GBT 能自动捕捉 T 与 X 的交互效应，表现仅次于 X-Learner。在快速验证场景下是很好的基线方法。

3. DML-CausalForest 受限于简化实现

本代码中的 DML-CausalForest 是基于'残差比值 + 随机森林'的简化实现。完整的因果森林（如 EconML 的 CausalForestDML）使用专门的因果分裂准则，效果会更好。如果安装了 econml，建议直接使用 CausalForestDML。

4. DML-Linear 的局限性（MSE=0.7658, R²=0.5132）

由于真实 CATE 包含 X₂²项（非线性），LinearDML 无法捕捉这部分异质性。但它成功识别出了 X1 的系数约为 1.0（真实值为 1.0），X3/X4/X5 的系数接近 0（符合真实 DGP）。当你需要可解释的系数和置信区间时，LinearDML 仍有不可替代的价值。

5. T-Learner 中规中矩

T-Learner 独立训练两个模型，误差会叠加。在样本不均衡或效应较弱时劣势更明显。

5 可视化解读

5.1 CATE 估计值 vs 真实值散点图

每个子图展示一种方法的估计值（纵轴）与真实 CATE（横轴）的关系。理想情况下所有点应落在对角线上。

• X-Learner 的点最紧密地围绕对角线
• LinearDML 由于线性假设，在 CATE 极端值处偏离明显

5.2 CATE 随 X1 变化趋势

真实 CATE 与 X1 呈线性关系（τ随 X1 增大而增大）。可以看到：

• 所有方法都能捕捉到这个线性趋势
• 差异主要体现在噪声大小和边缘区域的偏差

5.3 CATE 随 X2 变化趋势

真实 CATE 与 X2 呈 U 型关系（X₂²项）。这是对各方法的关键测试：

• CausalForestDML 和 X-Learner 能较好地还原 U 型
• LinearDML 只能拟合出线性趋势，完全丢失了非线性信息

5.4 误差箱线图

箱线图展示各方法估计误差的分布：

• 中位线接近 0 说明无偏
• 箱体越窄说明估计越精确
• X-Learner 的箱体最窄且最居中

6 实战建议与方法选择指南

6.1 该用哪种方法？

根据你的实际需求选择：

场景 1：快速验证异质性是否存在 → 先用 S-Learner 或 T-Learner 作为基线。

场景 2：样本不均衡（处理组远少于控制组） → 优先选择 X-Learner。

场景 3：需要无偏估计 + 非线性 CATE → 使用 CausalForestDML（推荐首选）。

场景 4：需要系数可解释性和置信区间 → 使用 LinearDML，可输出每个特征对 CATE 的边际效应。

场景 5：高维稀疏特征 → 使用 SparseLinearDML（EconML 提供），自动做特征选择。

6.2 注意事项

1. SUTVA 假设：个体间无干扰（Stable Unit Treatment Value Assumption）
2. 无未观测混淆：所有影响 T 和 Y 的变量都被纳入 X（Unconfoundedness）
3. 正值假设：0 < e(X) < 1，每个个体都有可能被分配到任一组（Overlap / Positivity）
4. 交叉拟合很重要：DML 方法中的 cross-fitting 可以有效降低过拟合偏差
5. 基学习器选择：第一阶段的 ML 模型不宜过于复杂，避免引入额外偏差

7 完整代码

完整代码文件 cate_simulation.py 包含：

• 数据生成函数（可调节样本量、效应强度、混淆程度）
• 5 种 CATE 估计方法的实现
• 评估指标计算
• 6 张可视化图表的生成

环境安装：

pip install numpy pandas matplotlib scikit-learn scipy

注：本代码纯 sklearn 实现，无需 econml。如需使用完整的 CausalForestDML，额外安装 pip install econml

运行方式：

python cate_simulation.py

运行后会在当前目录生成以下图表文件：

8 总结

参考文献

1. Künzel S R, Sekhon J S, Bickel P J, et al. Metalearners for estimating heterogeneous treatment effects using machine learning[J]. PNAS, 2019.
2. Chernozhukov V, Chetverikov D, Demirer M, et al. Double/debiased machine learning for treatment and structural parameters[J]. The Econometrics Journal, 2018.
3. Athey S, Tibshirani J, Wager S. Generalized random forests[J]. The Annals of Statistics, 2019.
4. EconML Documentation: https://econml.azurewebsites.net/

""" 因果推断 | CATE（条件平均处理效应）估计方法：模拟数据下的完整实战 ================================================================= 包含以下方法： 1. S-Learner 2. T-Learner 3. X-Learner 4. DML + 因果森林 5. DML + 线性模型 全部基于 numpy / sklearn 实现，无需 econml。 """
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from matplotlib import rcParams
from scipy.ndimage import uniform_filter1d
import warnings
warnings.filterwarnings('ignore')
rcParams['font.sans-serif'] = ['DejaVu Sans']
rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')
COLORS = ['#2196F3', '#FF5722', '#4CAF50', '#9C27B0', '#FF9800']
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
from sklearn.linear_model import LogisticRegression, LinearRegression
from sklearn.model_selection import KFold

# ==================== DGP ====================
def generate_data(n=5000, seed=42):
    np.random.seed(seed)
    X = np.random.randn(n, 5)
    X1, X2, X3 = X[:,0], X[:,1], X[:,2]
    tau_true = X1 + 0.5*X2**2 - 1.0
    logit_e = 0.5*X1 + 0.3*X3
    e_x = 1.0/(1.0+np.exp(-logit_e))
    T = np.random.binomial(1, e_x)
    mu_0 = 2.0*X1 - X2 + 0.5*X3
    Y = mu_0 + T*tau_true + np.random.randn(n)*0.5
    print("="*60)
    print(" Data Summary")
    print("="*60)
    print(f" n={n} dim={X.shape[1]} treat_rate={T.mean():.3f} ATE={tau_true.mean():.3f}")
    print(f" CATE range: [{tau_true.min():.2f}, {tau_true.max():.2f}]")
    print("="*60)
    return X, T, Y, tau_true

# ==================== Methods ====================
def s_learner(X, T, Y):
    XT = np.column_stack([X, T])
    m = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    m.fit(XT, Y)
    return m.predict(np.c_[X, np.ones(len(X))]) - m.predict(np.c_[X, np.zeros(len(X))])

def t_learner(X, T, Y):
    m1 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    m0 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    m1.fit(X[T==1], Y[T==1]); m0.fit(X[T==0], Y[T==0])
    return m1.predict(X) - m0.predict(X)

def x_learner(X, T, Y):
    m1 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    m0 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    m1.fit(X[T==1], Y[T==1]); m0.fit(X[T==0], Y[T==0])
    D1 = Y[T==1] - m0.predict(X[T==1])
    D0 = m1.predict(X[T==0]) - Y[T==0]
    tm1 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    tm0 = GradientBoostingRegressor(n_estimators=200, max_depth=4, learning_rate=0.1, random_state=42)
    tm1.fit(X[T==1], D1); tm0.fit(X[T==0], D0)
    ps = LogisticRegression(random_state=42, max_iter=1000); ps.fit(X, T)
    e = ps.predict_proba(X)[:,1]
    return e*tm0.predict(X) + (1-e)*tm1.predict(X)

def dml_cross_fit(X, T, Y, n_splits=5):
    kf = KFold(n_splits=n_splits, shuffle=True, random_state=42)
    Y_res, T_res = np.zeros(len(Y)), np.zeros(len(T), dtype=float)
    for tr, te in kf.split(X):
        my = GradientBoostingRegressor(n_estimators=100, max_depth=3, learning_rate=0.1, random_state=42)
        mt = GradientBoostingRegressor(n_estimators=100, max_depth=3, learning_rate=0.1, random_state=42)
        my.fit(X[tr], Y[tr]); mt.fit(X[tr], T[tr].astype(float))
        Y_res[te] = Y[te] - my.predict(X[te])
        T_res[te] = T[te] - mt.predict(X[te])
    return Y_res, T_res

def dml_causal_forest(X, T, Y):
    Y_res, T_res = dml_cross_fit(X, T, Y)
    T_clip = np.clip(np.abs(T_res), 0.01, None)*np.sign(T_res)
    T_clip[T_clip==0] = 0.01
    pseudo = Y_res / T_clip
    q_lo, q_hi = np.percentile(pseudo, [2, 98])
    pseudo = np.clip(pseudo, q_lo, q_hi)
    rf = RandomForestRegressor(n_estimators=300, max_depth=6, min_samples_leaf=20, random_state=42)
    rf.fit(X, pseudo)
    return rf.predict(X)

def dml_linear(X, T, Y):
    Y_res, T_res = dml_cross_fit(X, T, Y)
    Z = T_res.reshape(-1,1) * X
    reg = LinearRegression(fit_intercept=True); reg.fit(Z, Y_res)
    tau_hat = X @ reg.coef_ + reg.intercept_
    resid = Y_res - reg.predict(Z)
    n, p = Z.shape
    sigma2 = np.sum(resid**2)/(n-p-1)
    se = np.sqrt(np.diag(sigma2 * np.linalg.inv(Z.T@Z + 1e-8*np.eye(p))))
    return tau_hat, reg.coef_, se

# ==================== Evaluation ====================
def evaluate(tau_true, tau_hat, name):
    mse = np.mean((tau_true-tau_hat)**2)
    mae = np.mean(np.abs(tau_true-tau_hat))
    bias = np.mean(tau_hat-tau_true)
    ss_res = np.sum((tau_true-tau_hat)**2)
    ss_tot = np.sum((tau_true-tau_true.mean())**2)
    r2 = 1 - ss_res/ss_tot
    corr = np.corrcoef(tau_true, tau_hat)[0,1]
    return {'Method':name, 'MSE':round(mse,4), 'MAE':round(mae,4), 'Bias':round(bias,4), 'R2':round(r2,4), 'Corr':round(corr,4)}

# ==================== Plots ====================
def plot_scatter(tau_true, res, path='fig1_cate_scatter.png'):
    n = len(res)
    fig, axes = plt.subplots(1, n, figsize=(3.8*n, 4), dpi=130)
    if n==1: axes=[axes]
    for i,(name,th) in enumerate(res.items()):
        ax=axes[i]
        ax.scatter(tau_true, th, alpha=0.12, s=6, c=COLORS[i%5])
        lims=[min(tau_true.min(),th.min())-0.5, max(tau_true.max(),th.max())+0.5]
        ax.plot(lims,lims,'k--',lw=1,alpha=0.5)
        c=np.corrcoef(tau_true,th)[0,1]; m=np.mean((tau_true-th)**2)
        ax.set_title(f'{name}\nCorr={c:.3f} MSE={m:.3f}',fontsize=10)
        ax.set_xlabel('True CATE',fontsize=9)
        if i==0: ax.set_ylabel('Estimated CATE',fontsize=9)
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

def plot_by_feature(X, tau_true, res, fi=0, fn='X1', path='fig2_cate_by_x1.png'):
    fig,ax=plt.subplots(1,1,figsize=(10,6),dpi=130)
    si=np.argsort(X[:,fi]); xs=X[si,fi]; w=100
    ax.scatter(xs,tau_true[si],alpha=0.06,s=4,c='gray',label='True CATE')
    ax.plot(xs,uniform_filter1d(tau_true[si],w),'k-',lw=2.5,label='True (smoothed)')
    for i,(name,th) in enumerate(res.items()):
        ax.plot(xs,uniform_filter1d(th[si],w),lw=2,alpha=0.85,color=COLORS[i%5],label=name)
    ax.set_xlabel(fn,fontsize=13); ax.set_ylabel('CATE',fontsize=13)
    ax.set_title(f'CATE vs {fn}',fontsize=14); ax.legend(fontsize=9,loc='upper left')
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

def plot_dist(tau_true, res, path='fig3_cate_dist.png'):
    fig,ax=plt.subplots(1,1,figsize=(10,6),dpi=130)
    ax.hist(tau_true,bins=50,alpha=0.3,color='gray',density=True,label='True CATE')
    for i,(name,th) in enumerate(res.items()):
        ax.hist(th,bins=50,alpha=0.4,color=COLORS[i%5],density=True,label=name,histtype='step',lw=2)
    ax.set_xlabel('CATE',fontsize=13); ax.set_ylabel('Density',fontsize=13)
    ax.set_title('CATE Distribution',fontsize=14); ax.legend(fontsize=9)
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

def plot_error_box(tau_true, res, path='fig4_error_boxplot.png'):
    fig,ax=plt.subplots(1,1,figsize=(10,6),dpi=130)
    errs=[th-tau_true for th in res.values()]; labs=list(res.keys())
    bp=ax.boxplot(errs,labels=labs,patch_artist=True,showfliers=False)
    for p,c in zip(bp['boxes'],COLORS[:len(labs)]): p.set_facecolor(c); p.set_alpha(0.5)
    ax.axhline(0,color='red',ls='--',lw=1,alpha=0.7)
    ax.set_ylabel('Error',fontsize=12); ax.set_title('CATE Estimation Error',fontsize=14)
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

def plot_coef(coef, se, fnames, path='fig5_dml_linear_coef.png'):
    fig,ax=plt.subplots(1,1,figsize=(8,5),dpi=130)
    y=np.arange(len(fnames)); ci=1.96*se
    ax.barh(y,coef,xerr=ci,color=COLORS[0],alpha=0.7,capsize=5)
    ax.set_yticks(y); ax.set_yticklabels(fnames,fontsize=12)
    ax.axvline(0,color='red',ls='--',lw=1)
    ax.set_xlabel('Coefficient',fontsize=12); ax.set_title('DML-Linear Coefficients (95% CI)',fontsize=13)
    for i,(c,s) in enumerate(zip(coef,se)): ax.text(c+ci[i]+0.02, i, f'{c:.3f}', va='center', fontsize=10)
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

def plot_heatmap(tau_true, X, path='fig6_true_cate_heatmap.png'):
    fig,ax=plt.subplots(1,1,figsize=(8,6),dpi=130)
    sc=ax.scatter(X[:,0],X[:,1],c=tau_true,cmap='RdYlBu_r',alpha=0.4,s=5,vmin=-3,vmax=5)
    plt.colorbar(sc,ax=ax,label='True CATE')
    ax.set_xlabel('X1',fontsize=13); ax.set_ylabel('X2',fontsize=13)
    ax.set_title(r'True CATE: $\tau(X) = X_1 + 0.5 X_2^2 - 1$',fontsize=14)
    plt.tight_layout(); plt.savefig(path,bbox_inches='tight'); plt.close()
    print(f" [saved] {path}")

# ==================== Main ====================
def main():
    print("\n"+"="*60)
    print(" CATE Estimation - Simulation Study")
    print("="*60+"\n")
    X, T, Y, tau_true = generate_data(n=5000, seed=42)
    fnames = ['X1','X2','X3','X4','X5']
    res = {}; metrics = []
    print("\n>>> [1/5] S-Learner...")
    res['S-Learner'] = s_learner(X,T,Y)
    metrics.append(evaluate(tau_true, res['S-Learner'], 'S-Learner'))
    print(">>> [2/5] T-Learner...")
    res['T-Learner'] = t_learner(X,T,Y)
    metrics.append(evaluate(tau_true, res['T-Learner'], 'T-Learner'))
    print(">>> [3/5] X-Learner...")
    res['X-Learner'] = x_learner(X,T,Y)
    metrics.append(evaluate(tau_true, res['X-Learner'], 'X-Learner'))
    print(">>> [4/5] DML-CausalForest...")
    res['DML-CausalForest'] = dml_causal_forest(X,T,Y)
    metrics.append(evaluate(tau_true, res['DML-CausalForest'], 'DML-CausalForest'))
    print(">>> [5/5] DML-Linear...")
    tau_l, coef_l, se_l = dml_linear(X,T,Y)
    res['DML-Linear'] = tau_l
    metrics.append(evaluate(tau_true, tau_l, 'DML-Linear'))
    # Results table
    print("\n"+"="*60)
    print(" Evaluation Results")
    print("="*60)
    df = pd.DataFrame(metrics)
    print(df.to_string(index=False))
    # DML-Linear coefficients
    print("\n"+"="*60)
    print(" DML-Linear Coefficients (true: X1=1.0, X2=nonlinear, others=0)")
    print("="*60)
    for i,f in enumerate(fnames):
        lo=coef_l[i]-1.96*se_l[i]; hi=coef_l[i]+1.96*se_l[i]
        sig = "*" if lo>0 or hi<0 else ""
        print(f" {f:>4}: {coef_l[i]:>7.4f} SE={se_l[i]:.4f} 95%CI=[{lo:.4f}, {hi:.4f}] {sig}")
    # Plots
    print("\n>>> Generating plots...")
    plot_scatter(tau_true, res)
    plot_by_feature(X, tau_true, res, 0, 'X1', 'fig2_cate_by_x1.png')
    plot_by_feature(X, tau_true, res, 1, 'X2', 'fig2b_cate_by_x2.png')
    plot_dist(tau_true, res)
    plot_error_box(tau_true, res)
    plot_coef(coef_l, se_l, fnames)
    plot_heatmap(tau_true, X)
    print("\n"+"="*60)
    print(" All done!")
    print("="*60)
    return res, df

if __name__ == '__main__':
    results, df_metrics = main()