因果推断实战：从理论到代码，深度解析Doubly Robust（DR）的稳健之道

1. 因果推断与DR方法的核心价值

当你手里只有观测数据却要评估某个策略的效果时，就像在黑箱里摸象——传统方法要么依赖精准的倾向得分模型（IPW），要么需要完美的结果回归预测（Regression Adjustment），但现实中这两个模型总有一个会掉链子。这就是Doubly Robust（DR）方法的价值所在：它允许你在两个模型中只要有一个靠谱，就能得到准确的因果效应估计。

我处理过的一个真实案例是电商平台的优惠券效果评估。最初用IPW方法时发现，只要倾向得分模型漏掉一个关键特征，估计结果就会偏离30%以上。后来切换到DR方法后，即使倾向得分有偏差，只要用户购买预测模型（结果回归）相对准确，最终效果评估依然稳定。这种"双重保险"机制，正是DR在工业界逐渐取代传统方法的核心原因。

从数学本质看，DR其实是IPW和回归调整的优雅组合。举个例子，假设我们要估计优惠券对客单价的影响：

• IPW部分：计算每个用户领券概率的倒数作为权重
• 回归部分：预测用户在不发券情况下的客单价
• DR的魔法：用回归预测结果修正IPW的残差项

python复制# DR估计量的数学表达（ATE版本）
def doubly_robust_estimate(df, p_score, mu1, mu0):
    return (
        (df['T']*(df['Y']-mu1)/p_score + mu1).mean() -
        ((1-df['T'])*(df['Y']-mu0)/(1-p_score) + mu0).mean()
    )

2. DR方法的技术实现细节

2.1 双重稳健性的数学原理

DR方法的美妙之处在于它的纠错机制。让我们拆解它的核心公式：

对于处理组（T=1）的潜在结果估计：
$$
\hat{E}[Y_1] = \frac{1}{N}\sum \left( \frac{T_i(Y_i - \hat{\mu_1}(X_i))}{\hat{e}(X_i)} + \hat{\mu_1}(X_i) \right)
$$

这个式子包含两个关键部分：

1. IPW部分：$T_i(Y_i - \hat{\mu_1}(X_i))/\hat{e}(X_i)$ 用倾向得分加权残差
2. **回归调