A Tutorial on Doubly Robust Learning for Causal Inference

双重稳健学习通过整合倾向得分和结果建模为基础的框架，为从观察数据中进行因果推断提供了一个稳健的方法。尽管其具有理论吸引力，但由于被认为过于复杂且软件不易获取，其实际应用仍然受到限制。本教程旨在揭示双重稳健方法的神秘面纱，并展示其在 EconML 软件包中的应用。我们介绍了因果推断的基本概念，讨论了结果建模和倾向得分的原则，并通过模拟案例研究说明了双重稳健方法。通过简化方法并提供实际编码示例，我们旨在使双重稳健学习对数据科学和统计学的研究人员和从业者更易于掌握。

论文旨在通过集成倾向分数和结果建模来提供一个稳健的框架，从观测数据中进行因果推断。然而，由于认为它过于复杂且软件不易使用，实际应用仍然受到限制。

本文旨在通过使用EconML软件包演示双重稳健方法的应用，简化方法并提供实用的编码示例，使双重稳健学习对数据科学和统计学的研究人员和从业者更易于理解和使用。

本文提供了因果推断的介绍，讨论了结果建模和倾向分数的原则，并通过模拟案例研究说明了双重稳健方法。实验使用了EconML软件包，并提供了实用的编码示例。该论文的亮点在于简化了方法，使其易于理解和使用。

最近在该领域中，还有一些相关的研究，如：《Causal Inference in Statistics: An Overview》、《The Do-Calculus Revisited》、《A Crash Course in Causality: Inferring Causal Effects from Observational Data》等。