因果推理（六）：estimation

前面几讲都专注于上图中Identification的部分，这次介绍Estimation。

1. 条件结果模型（conditional outcome modeling, COM）

回顾一下第二讲中的调整公式，也是第四讲中后门调整的推论，以此来计算ATE $\tau$：

$\tau \triangleq \mathbb{E}[Y(1)-Y(0)]={\mathbb{E}}_W[\mathbb{E}[Y\mid T=1,W]-\mathbb{E}[Y\mid T=0,W]]$

需要注意的是，上式中的W必须是充分调整集。通过这个公式，我们已经将因果量转换为统计量，也就是实现了identifation，下一步要做的就是estimation。

最简单的做法是用统计模型（机器学习模型）拟合条件期望$\mathbb{E}[Y\mid T,W]$，然后用n个数据点的经验平均值（$\frac{1}{n}{\sum }_i$）去近似${\mathbb{E}}_W$。

为了表达更清晰，引入$\mu$代替平均期望：

$\mu (1,w)-\mu (0,w)\triangleq \mathbb{E}[Y\mid T=1,W=w]-\mathbb{E}[Y\mid T=0,W=w]$

然后，我们可以用统计模型拟合$\mu$。 拟合模型中用$\hat{\mu }$近似$\mu$。我们将模型$\hat{\mu }$作为条件结果模型。 现在，我们可以清楚地描述我们描述的模型辅助估计器（针对ATE）：

$\hat{\tau }=\frac{1}{n}{\sum }_i\left(\hat{\mu }\left(1,w_i\right)-\hat{\mu }\left(0,w_i\right)\right)$

用COM估计条件平均干预效果时，充分调整集是$W\cup X$而非$W$，因此必须将X作为条件结果模型的一个输入。这时CATE为：

τ ( x ) ≜ E