双重机器学习

课程简介

双重机器学习（Double Machine Learning, DML）是一种用于估计因果效应的统计方法，由 Chernozhukov 等人在 2017 年提出。它的核心思想是结合机器学习模型和半参数理论，在存在高维混杂变量（confounders）时，仍能有效估计因果参数。

适合人群

• 经济学、心理学、社会学等学科的研究生；
• 有一定的统计学基础，可以使用R软件和Python；
• 有因果推断需求。

学习内容

• 双重机器学习的基本原理；
• DoubleML提供的四种关键因果模型：部分线性回归模型（PLR），部分线性工具变量回归模型（PLIV），交互回归模型（IRM），交互工具变量回归模型（IIVM）；
• 双重机器学习的文献解读；
• 异质性处理效应CATE及基于Python的SHAP解析。

资料包含

• 课程 PPT（含理论公式、案例截图）；
• R语言代码和Python代码；
• 示例数据。