Estimating Causal Effects with Double Machine Learning -- A Method Evaluation

在观察性数据中估计因果效应仍然是一个非常活跃的研究领域。近年来，研究人员开发了新的框架，利用机器学习来放松估计因果效应所必需的经典假设。在本文中，我们回顾了最重要的方法之一——“双重/去偏机器学习”（DML），并通过将其在模拟数据上的表现与更传统的统计方法进行比较，然后将其应用于真实世界的数据进行实证评估。我们的发现表明，在DML中应用适当灵活的机器学习算法可以改善各种非线性混淆关系的调整。这种优势使得可以摆脱通常在因果效应估计中必需的传统函数形式假设。然而，我们证明该方法仍然关键地依赖于有关因果结构和识别的标准假设。在我们的应用中估计空气污染对房价的影响时，我们发现DML估计值始终大于不太灵活的方法的估计值。从我们的总体结果中，我们为研究人员在实践中应用DML时必须做出的具体选择提供可操作的建议。

论文旨在评估机器学习在因果效应估计中的应用，特别是双重/无偏机器学习（DML）方法，并比较其与传统统计方法的表现。

论文提出了一种新的框架，即DML方法，利用机器学习来放松因果效应估计所需的传统假设，特别是对于非线性混淆关系的调整。研究表明，DML方法中使用适当灵活的机器学习算法可以改善调整，从而避免了传统因果效应估计中通常需要的函数形式假设。

论文通过模拟数据和真实数据的应用验证了DML方法的性能，并提供了实用的建议，指导研究者在应用DML时需要注意的问题。实验设计合理，使用了真实数据集，并提供了开源代码。论文提供了一些值得深入研究的工作方向，例如DML方法在其他领域的应用。

近年来，因果效应估计领域的研究非常活跃，许多新的方法和框架被提出。例如，基于深度学习的因果推断（Deep Causal Inference）、基于因果图的因果推断（Causal Inference with DAGs）等。