EconML

它会给你什么

• 每个人的效果估计值，附带误差区间和统计检验。
• 选择线性形态时，还能拿到效果随特征变化的系数和摘要报告。
• 用因果森林时，附每个特征的重要程度和解释值。

你需要准备

• 预测结果的辅助模型，可以用现成模型或让它自动选。
• 预测处理分组的辅助模型，分类处理要用分类模型。
• 刻画效果差异形态的最终模型，连续处理时需要指定。

由你把关

• 两个辅助模型拟合得够不够充分，拟合不充分会带来偏差，由你核对。
• 最终模型的形态选得是否匹配真实的效果差异，线性还是森林，由你决定。
• 分类处理时以哪个类别作为基准来比较，由你决定。

它会给你什么

• 每个人的效果估计值，误差范围用重抽样方式给出。

你需要准备

• 单模型组合方式：只用一个模型，把处理当作普通特征一起喂进去。
• 分臂组合方式：每种处理各配一个模型分别预测。
• 交叉组合方式：先分臂预测反事实，再学插补模型，最后按倾向性加权合并。

由你把关

• 控制变量有没有正确并入特征矩阵，漏了会带偏差，由你核对。
• 倾向性模型估得是否充分，由你核对。
• 重抽样次数够不够、误差范围可不可靠，由你核对。

它会给你什么

• 任意两种处理之间效果差异的估计值。
• 对应的误差区间和统计检验。
• 选择线性形态时，按处理组分别给出系数、误差范围和摘要报告。

你需要准备

• 倾向性分类模型，用来预测每个人会被分到哪个处理组。
• 结果回归模型，预测各组在不同特征下的结果。
• 刻画效果差异形态的最终模型。

由你把关

• 倾向性模型对多个处理组的区分质量够不够，由你核对。
• 结果回归模型拟合得是否充分，由你核对。
• 以哪种处理作为比较基准，由你决定。

它会给你什么

• 每个人的效果估计值，附带误差区间和统计检验。
• 选择线性形态时，附效果系数和摘要报告。

你需要准备

• 结果变量、处理变量、工具变量，以及异质性特征和控制变量。
• 处理和工具变量是连续还是分类的声明，决定用哪类辅助模型。
• 工具变量方法所需的几个辅助模型设置。

由你把关

• 工具变量是否真的满足前提：只通过处理影响结果、与遗漏因素无关，软件不会替你验证，由你核对。
• 工具变量够不够强，太弱的工具变量会让结果不可靠，由你核对。
• 处理和工具变量的类型声明是否正确，由你核对。

它会给你什么

• 每个人的效果点估计。
• 对应的误差区间上下界。
• 完整的统计检验结果，包括标准误、显著性、汇总表等。

你需要准备

• 结果变量，可以连续也可以分类。
• 处理变量，可以连续也可以分类。
• 异质性特征，效果差异跟着这组特征变化。

由你把关

• 所有共同原因是否都被控制住了，否则结论不成立，这条假设由你核对。
• 辅助模型拟合得够不够充分，拟合不充分会带来偏差，由你核对。
• 最终模型形态选得是否匹配真实的效果差异，由你决定。

它会给你什么

• 策略模型：给每个人的处理建议、这套方案的期望价值，以及可画的树形图。
• 解释树：一棵能看懂的效果差异决策树。
• 每个特征对效果预测的贡献大小，可画成汇总图。

你需要准备

• 学策略需要：结果、处理、特征和控制变量，加上树深度等模型设置。
• 做解释需要：已拟合好的效果模型，以及特征名、代价设置等选项。
• 算特征贡献需要：已拟合好的效果模型和特征数据。

由你把关

• 策略树的深度和可解释性之间要取舍，树越深越难讲清楚，由你决定。
• 诚实分裂方法对样本量的要求是否满足，由你核对。
• 模型打分用的验证数据是否与训练数据独立，由你核对。