39、构建公平且稳健的因果模型：客户信用政策分析

构建公平且稳健的因果模型：客户信用政策分析

1. 因果模型组件理解

因果模型主要由四个部分构成，每个部分在模型中都有独特的作用，具体如下：
| 组件 | 含义 |
| ---- | ---- |
| 结果（Y） | 因果模型的结果变量 |
| 处理（T） | 影响结果的处理变量 |
| 效应修饰因子（X） | 影响效应异质性的变量，处于处理和结果之间 |
| 控制变量（W） | 也称为共同原因或混杂因素，影响结果和处理的特征 |

在代码实现中，我们可以将这些组件从数据中识别出来，作为单独的 Pandas 数据框：

W = ccdefault_causal_df[['_spend', '_tpm', '_ppm', '_RETAIL', '_URBAN', '_RURAL', '_PREMIUM']]
X = ccdefault_causal_df[['_CC_LIMIT']]
T = ccdefault_causal_df[['_TREATMENT']]
Y = ccdefault_causal_df[['_LTV']]

2. 双稳健学习方法

为了估计处理效应，我们采用双稳健学习（DRL）方法。之所以称为“双稳健”，是因为它利用了两个模型：
- 用回归模型预测结果。
- 用倾向得分模型预测处理。

最终阶段将两个模型结合，同时保持许多理想的统计特性，如置信区间和渐近正态性。我们使用线性变体（LinearDRLearner），它能返回易于解释的系数和截距。以下是初