因果推断中的元学习器：T-learner、S-learner、X-learner

本文参考
[1]内容来自文心一言回答;
[2]https://zhuanlan.zhihu.com/p/589655134

T-learner（双模型元学习器）

原理

核心思想：分别对处理组（T=1）和对照组（T=0）训练两个独立模型，预测潜在结果μ1(x)和μ0(x)，最终计算CATE为两者之差：
τ(x)=μ1(x) − μ0(x)

案例

医疗政策评估：
评估新药效果时，分别用随机森林建模用药组（T=1）和未用药组（T=0）的医疗支出，计算患者个体化治疗效应。

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 模拟数据：X为协变量，Y为结果，T为处理
X_train, X_test, Y_train, Y_test, T_train, T_test = train_test_split(X, Y, T, test_size=0.2)

# 训练T-learner
mu1_model = RandomForestRegressor().fit(X_train[T_train==1], Y_train[T_train==1])
mu0_model = RandomForestRegressor().fit(X_train[T_train==0], Y_train[T_train==0])

# 预测CATE
cate = mu1_model.predict(X_test) - mu0_model.predict(X_test)

S-learner（单模型元学习器）

原理

核心思想：将处理变量T作为特征输入单一模型，直接预测结果μ(x,t)，最终计算CATE为：
τ(x) = μ(x,1) − μ(x,0)

案例

教育政策效果分析：
用XGBoost建模学生特征（如成绩、家庭背景）与政策参与（T）对学业提升（Y）的影响，直接预测参与政策与否的效应差。

from xgboost import<