Allenlzcoder的博客

T检验 背景 原理 还有 实际计算方式（来自文心一言）

正交化：通过残差化剥离协变量X的影响，确保T~ 和 Y~ 与X正交。交叉拟合：避免过拟合，提高估计的稳健性。Neyman正交性：对第一阶段模型偏误不敏感，保证无偏性。机器学习灵活性：支持非线性模型（如随机森林、神经网络），适应复杂数据结构。

特性T-learnerS-learnerX-learner因果森林模型数量2个独立模型1个模型3个模型（初始+2残差）多棵决策树处理组不平衡敏感（小样本组效果差）鲁棒（共享参数）改进（残差加权）鲁棒（自动划分亚组）计算效率高（并行训练）高（单模型）中（分阶段训练）低（需多棵树）适用场景处理组/对照组均衡特征与T强相关处理组/对照组不均衡存在效应异质性典型库自定义实现econml/grf。

参考：https://blog.youkuaiyun.com/xiang_gina/article/details/149710556

通过严格的随机分配消除混杂变量，确保处理组与对照组在基线特征上均衡可比。研究者主动控制干预（如药物、政策）。示例：新药临床试验中，患者随机分入药物组或安慰剂组。验证干预效果（选RCT/A/B测试） vs. 探索自然关联（选观测数据）。

【代码】频率派和贝叶斯派。

https://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247581343&idx=1&sn=3d6d431233b5d385413adba686881d8e&chksm=e9e0b714de973e022d7ce5978a6c339ef8f786a6987779fe353d62ae3f13a008a73eadd42099&scene=27期望与方差的主要性质