19、因果推断与机器学习：从匹配到元学习器

因果推断与机器学习：从匹配到元学习器

在因果推断与机器学习的领域，元学习器是一类强大的工具，可用于估计异质处理效应（HTE，也称为CATE）。本文将介绍三种常见的元学习器：S-Learner、T-Learner和X-Learner，并探讨它们的优缺点及适用场景。

S-Learner

S-Learner是一种相对简单且灵活的模型，它将处理变量视为其他普通变量一样进行处理。以下是关于S-Learner的详细介绍：
- 性能评估 ：通过绘制真实效应与预测值的关系图，可以直观地评估S-Learner的性能。在测试集上，整体表现良好，但仍存在部分观测值低估效应的情况。

graph LR
    A[真实效应] --> B(绘制关系图)
    B --> C[评估S-Learner性能]

• 小数据集影响 ：当数据集较小时，S-Learner的性能会显著下降。例如，在仅使用100个观测值进行训练时，平均绝对百分比误差（MAPE）达到35.9%，远高于原始数据集。
  | 数据集大小 | MAPE |
  | ---- | ---- |
  | 原始数据集 | 较低 |
  | 100个观测值 | 35.9% |
• S-Learner的弱点 ：由于S-Learner将处理变量视为普通变量，当处理效应较小时，模型可能会完全忽略处理变量，导致预测的因果效应为零。一种启发式的解决方法是使用更深的树来增加处理变