机器学习与因果推断_从DML到异质性精准治理

现场

2580元

远程

2580元
上课地点：杭州现场, 同步在线直播; 均提供录播回放 讲师：赵西亮 报名时间：2026/06/05 - 2026/08/05 开课时间：2026年8月5-6日（两天）
订阅课程 试听课程 我要报名

课程背景与核心痛点：

在数据维度爆炸的时代，实证研究者正面临三大瓶颈：

痛点1非混杂性难以保证：拼命堆叠控制变量，却依然无法确保识别假设成立；

痛点2推断严谨性受质疑：机器学习带来预测精度，却引入正则化偏差，审稿人对统计推断的可靠性存疑；

痛点3异质性分析粗糙：传统线性交互项方法深陷模型误设与 p-hacking 困境，异质性结论可信度不足。

本课程直面上述困境，系统讲授因果机器学习（Causal ML）的前沿方法体系，帮助研究者彻底打通从预测到因果的最后一公里。


讲师简介：

赵西亮，现任厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师。

清华大学经济管理学院数量经济学专业博士，美国康奈尔大学和芝加哥大学访问学者，加拿大西安大略大学经济系博士后，长期从事中国经济和应用计量经济学研究，编著教材《基本有用的计量经济学》。赵老师在《经济研究》、《经济学》（季刊）、《数量经济技术经济研究》、《World Economy》等国内外重要期刊发表论文数余篇，同时是China Economic Review, 《经济研究》、《管理世界》、《经济学（季刊）》、《世界经济》等国内外重要期刊的匿名审稿人。


课程大纲：
核心方法：双重机器学习（DML）· 因果树与因果森林 · 策略学习
学习周期：杭州现场同步远程直播，两天沉浸式讲授，理论讲解 + 软件实操 + 案例复现
特色亮点：内嵌 Claude Code + DeepSeek 科研助理实操模块


专题一：双重机器学习（Double/Debiased Machine Learning, DML）
1、 为什么需要 DML？

1.1 纯机器学习方法的局限：

◆ ML 方法能够借助高维协变量准确估计条件期望函数 E[Y|X]，但正则化机制本身会引入系统性偏差

◆ 正则化偏差（regularization bias）导致纯 ML 方法无法对目标参数给出一致估计，亦无法支撑严格的因果推断

1.2 传统方法的识别困境：

◆ 非混杂性（unconfoundedness）是因果识别的核心条件，低维协变量设定下往往难以令人信服

◆ 增加控制变量数量并不能从根本上解决遗漏变量偏误，反而可能加剧多重共线性

1.3 DML 的解决之道：

◆ 将 ML 的预测能力与计量经济学的推断框架有机融合

◆ 利用 ML 方法精确估计冗余参数，同时借助 Neyman 正交和交叉拟合技术消除正则化偏差

◆ 在高维协变量设定下实现对目标参数的一致估计与有效统计推断

 

2、DML 核心技术特色

◆ 两阶段分离估计框架

▷ 第一阶段：利用 ML 方法估计冗余参数（nuisance parameters），充分发挥 ML 的预测优势

▷ 第二阶段：对残差化后的数据运行标准回归，估计目标参数并构造统计推断

◆    Neyman正交性（Neyman Orthogonality）

▷ 核心保证：对冗余参数的一阶估计误差不传导至目标参数，显著降低正则化偏差的污染

◆    交叉拟合（Cross-Fitting）

▷ 通过样本分割与交叉预测，彻底消除 ML 正则化引入的过拟合偏差

▷ 确保目标参数的渐近正态性，为置信区间构造提供理论保障

 

3、课程主要内容

3.1 机器学习基础

◆ 偏差—方差权衡（Bias-Variance Tradeoff）

◆ 交叉验证方法（k-fold CV, LOOCV）

◆ 常见 ML 算法概览：

▷ Lasso 与岭回归（Ridge Regression）——稀疏估计与收缩方法

▷ 基于树的集成方法（CART、随机森林、梯度提升）

▷ 深度神经网络（Deep Learning）基础

3.2 潜在结果框架与核心目标参数

◆ Rubin 潜在结果框架（Potential Outcomes Framework）

◆ 平均处理效应（ATE）、局部平均处理效应（LATE）与条件平均处理效应（CATE）

3.3 双重机器学习（DML）方法论

◆ Robinson（1988）半参数部分线性模型

◆ Neyman 正交性与交叉拟合的理论基础

◆多场景模型设定：非混杂性（CIA）、工具变量（IV）、双重差分（DID）等

3.4 AI 科研助理实操模块（特色专场）

◆ Claude Code + DeepSeek（或国产大语言模型）的安装与配置

◆ WorkBuddy（Open Claw）智能工作台实操演示

◆ AI 辅助文献检索、代码生成与结果解读的完整工作流

3.5 实证案例：宽带基础设施、包容性绿色增长与地区差距

◆ 参考文献：张涛、李均超（2023），《数量经济技术经济研究》

◆ 分析设定：双重机器学习框架下"宽带中国"战略的影响评估

3.6 软件实操：

◆ 环境配置：Python、scikit-learn、pystacked、ddml

◆ 代码演练：从数据清洗到 DML 估计、结果可视化全流程复现

 

专题二：异质性分析与精准政策学习

1、为什么需要异质性分析？

1.1 因果推断的精细化需求：

◆ 平均处理效应（ATE）遮蔽了个体层面的差异，难以指导差异化政策设计

◆ 条件平均处理效应（CATE）能够刻画政策对不同人群、不同地区的差异化影响

◆ CATE 估计支持精准治理：识别高响应群体优先施策，规避对负效应群体的误伤

1.2 传统方法的局限与现代方法的突破：

传统方法│ 线性交互项│依赖模型设定 + 需预先指定分组变量 → 模型误设风险、p-hacking 隐患

现代方法│ 因果 ML│  非参数方法、无需模型假设 → 数据驱动发现异质性，估计更准确、结论更可靠

2、课程主要内容

2.1 从 ATE 到 CATE：谁受益更多？

◆ 个体处理效应（ITE）的识别困境与 CATE 的可估性

◆ 异质性来源的理论框架

2.2 CATE 非参数估计方法

◆ 非参数核回归方法

◆ 因果树（Causal Tree）——Athey & Imbens（2016）

◆ 因果森林（Causal Forest）——Athey, Tibshirani & Wager（2019）

◆ R-Learner——Nie & Wager（2021），拟-Oracle 异质效应估计

◆ 双重去偏机器学习（Debiased ML for CATE）——Semenova & Chernozhukov（2021）

2.3 策略学习（Policy Learning）：从因果推断到精准治理

◆ 最优策略树（Optimal Policy Tree）的构造原理

◆ 基于观测数据的策略学习——Athey & Wager（2021）

◆ 高维协变量下条件处理效应估计——Fan 等（2022）

◆ 实践价值：如何将 CATE 估计转化为可操作的分组施策方案

2.4 实证案例：贸易新业态对企业绿色技术创新的异质性影响

◆ 参考文献：蒋金荷、黄珊（2024），《数量经济技术经济研究》

◆ 方法：因果森林算法 + 微观企业数据，识别贸易新业态影响异质性


联系方式

刘老师

电话：18600257362

Q Q：3196394371
微信：jgzjwanzi