分类目录归档：因果效应评估算法
前置知识：随机森林、双重机器学习 DML、因果效应评估_异质性
广义随机森林（Generalized Random Forests，GRF）
为简化理解，下文中均默认广义随机森林的预测目标为异质性因果效应值，此时广义随机森林等价于因果森林；对于其他场景
GRF 与传统随机森林的区别
前置知识：双重差分法 DID、合成控制法、双向固定效应 TWFE
已知双重差分法 DID 的线性模型可表示如下： $$ Y_{it} = \beta_0 + \beta_1 Post_t + \beta_2 Treated_i + \beta_3 Treated_i Post_t + e_{it} $$
post 表示时间虚拟变量，treated 表示干预虚拟变量而通过引入个体/时间的固定效应，可以将 DID 表示为 TWFE 的形式： $$ \hat{\tau}^{did} = \underset{\mu, \alpha, \
前置知识：因果效应评估_准实验、因果效应评估_异质性 、双重机器学习 DML
双向固定效应（Two Way Fixed Effect，TWFE）
当出现不同组的干预时间不同的情况，即错位实施（Staggered Adoption），TWFE 对干预效应的评估容易存在偏差，尤其是干预效应存在时间异质性的情况
简单来说，TWFE 会将早期干预组的干预效应
前置知识：因果效应评估_配平法、因果效应评估_异质性 、因果效应评估_元学习
双重机器学习 (Double Machine Learning, DML)：利用机器学习强大的预测能力，先剔除 X 对 T 的影响，再剔除 X 对 Y 的影响，最后看残差之间的关系。
DML 的实现过程：