因果推断实战：深入解析PSM与因果森林的核心原理与工程实现

1次阅读

共计 1971 个字符，预计需要花费 5 分钟才能阅读完成。

假设某电商平台想要评估发放优惠券对用户消费金额的影响。由于优惠券通常针对特定用户群体发放（如高价值用户），直接比较领券用户和未领券用户的消费差异会导致严重偏差——我们无法确定消费差异是优惠券效果还是用户本身特征差异导致的。这就是典型的因果推断问题：在观测数据中存在混杂变量（用户特征）影响干预分配（是否发券）和结果（消费金额）。

PSM 的核心思想是：如果两组用户在可观测特征 X 上的倾向得分 e(X)=P(T=1|X)相同，那么特征 X 在处理组 (T=1) 和对照组 (T=0) 的分布应该相同，即满足平衡性：

$$T \perp X | e(X)$$

倾向得分通常通过逻辑回归估计：

$$e(X) = \frac{1}{1+exp(-(\alpha + X\beta))}$$

关键定理：当满足强可忽略性（unconfoundedness）和重叠性（overlap）假设时，倾向得分能消除选择偏差。

因果森林是广义随机森林的扩展，其分裂准则最大化处理效应异质性。对于每个节点分裂：

估计局部平均处理效应：
$$\hat{\tau}(x) = \frac{1}{|{i:X_i \in l(x)}|} \sum_{i:X_i \in l(x)} (Y_i(1)-Y_i(0))$$
选择分裂特征 j 和切点 s 最大化：
$$\sum_{child} |{i:X_i \in child}| \cdot \hat{\tau}_{child}^2$$

通过 honest estimation（训练 / 估计样本分离）和方差估计，能获得更稳健的异质性效应评估。

from causalml.match import NearestNeighborMatch
from sklearn.linear_model import LogisticRegression

# 假设 df 包含特征 X、处理变量 T、结果 Y
ps_model = LogisticRegression().fit(df[X_cols], df['T'])
df['ps_score'] = ps_model.predict_proba(df[X_cols])[:,1]

# 进行 1:1 最近邻匹配（设置 caliper=0.2）matcher = NearestNeighborMatch(
    caliper=0.2,
    replace=False,
    random_state=42
)
matched = matcher.match(data=df,
                        treatment_col='T',
                        score_cols=['ps_score'])

# 平衡性检验（标准化差异 <0.1 为良好平衡）from causalml.metrics import smd
for col in X_cols:
    print(f"{col}: {smd(matched[matched['T']==1][col], matched[matched['T']==0][col])}")

from causalml.inference.meta import CausalForest

cf = CausalForest(
    n_estimators=1000,
    honest=True,  # 启用 honest estimation
    inference=True,  # 计算置信区间
    random_state=42
)

cf.fit(X=df[X_cols], 
       treatment=df['T'],
       y=df['Y'])

# 获取个体处理效应 (ITE) 及置信区间
ite = cf.predict(X=df[X_cols])
ite, ci = cf.predict(X=df[X_cols], return_ci=True)