双重机器学习在因果推断中的变量选择.docxVIP

双重机器学习在因果推断中的变量选择

一、引言

因果推断的核心目标是从纷繁复杂的关联关系中剥离出变量间的净因果效应，为政策评估、机制解释、效果预测提供可靠依据。在传统因果推断方法的应用场景中，研究者往往依托随机试验或自然实验，通过有限数量的协变量控制混淆偏误，变量选择的逻辑相对清晰。但随着大数据技术的普及，研究者可获得的协变量维度快速提升，从个体的人口学特征、行为记录到宏观的环境特征、政策属性，成百上千维的协变量为控制混淆偏误提供了更丰富的信息，也对传统因果推断方法提出了挑战：当协变量维度接近甚至超过样本量时，传统的线性回归会出现过拟合、多重共线性等问题，基于匹配的方法也会面临“维度诅咒”，无法在高维空间中找到合适的匹配对象。

在这一背景下，双重机器学习方法凭借其对高维协变量的适配能力、对正则化偏差的修正能力，逐渐成为高维场景下因果推断的主流方法。不少实证研究者甚至形成了一种简化的认知：只要把所有可得变量丢入双重机器学习框架，选择合适的机器学习算法，就能自动得到无偏的因果效应。但实际上，双重机器学习本质上是一种估计框架，而非可以跳过识别假设的“因果万能药”，其中变量选择环节是连接因果识别假设与算法估计的核心枢纽，变量选择的质量直接决定了估计结果的可靠性——如果纳入了不该控制的变量，或是遗漏了关键的混淆变量，即便算法设计再精巧，也无法得到准确的因果效应。本文将从双重机器学习的核心逻辑出