构造带混淆的已知数据
代码以随机种子 2024 生成 5,000 条记录，用年龄、收入和活跃度生成优惠券倾向，并按 50 + 10·(年龄>30) − 5·(收入>30,000) 构造异质处理效应，再加入消费基线与噪声。
01 / ORIGIN问题起点
研究目标与实验设计
这个实验用生成机制已知的模拟优惠券数据，把选择偏差、处理效应与个体差异放进同一个可控环境中比较。
这里整理这项研究的出发点、实现路径、当前观察，以及下一步准备回答的问题。
02 / APPROACH实现路径
↘
比较 ATE 与个体差异估计
文章将数据按 70/30 划分训练集与测试集，示例比较 S、T、X 和 DR-Learner 的 ATE，并用 X-Learner 估计 CATE。
延伸到 uplift 与因果图
其余代码示例涉及 uplift 排序与曲线、PC/GES 因果发现、IPW 加权和敏感性分析，覆盖从估计到验证假设的多个环节。
03 / OBSERVATIONS & NEXT STEP观察与下一步
→
当前进展与验证计划
当前分析已经搭起从数据生成、ATE/CATE 估计到 uplift、因果发现与敏感性分析的路径。下一步会统一保存各方法的误差、稳定性和排序质量，让比较更直观。
04 / A LARGER QUESTION从这个实验继续追问
研究关联与后续问题
它对应 RSI 路径中的评估问题：系统发生变化之后，怎样判断改进来自干预本身，而不是选择偏差或环境波动？因果方法为这种判断提供了一套语言。
接下来要回答的问题
翻开智能手记：什么改变了，又怎样判断？ ↗- 在已知真实效应的模拟数据上保存各估计器的偏差、方差与排序质量。
- 再引入更复杂的混淆、模型错设和数据漂移，观察哪些结论仍然稳定。
继续阅读原始记录
打开文章 ↗应用Ylearn框架实现因果推断
一分钟互动实验
动手试试↗