導(dǎo)讀：本次分享題目為《如何在因果推斷中更好地利用數(shù)據(jù)？》，主要介紹團(tuán)隊(duì)近期在因果上已發(fā)表論文的相關(guān)工作。本報(bào)告從兩個(gè)方面來(lái)介紹我們?nèi)绾卫酶嗟臄?shù)據(jù)來(lái)做好因果推斷，一個(gè)是利用歷史對(duì)照數(shù)據(jù)來(lái)顯式緩解混淆偏差，另一個(gè)是多源數(shù)據(jù)融合下的因果推斷。

全文目錄：

• 因果推斷背景
• 糾偏因果樹(shù) GBCT
• 因果數(shù)據(jù)融合
• 在螞蟻的業(yè)務(wù)應(yīng)用

一、因果推斷背景

常見(jiàn)的機(jī)器學(xué)習(xí)預(yù)測(cè)問(wèn)題一般設(shè)置在同樣的系統(tǒng)里面，如通常會(huì)假設(shè)獨(dú)立同分布，比如預(yù)測(cè)吸煙的人中得肺癌的概率、圖片分類等預(yù)測(cè)問(wèn)題。而因果的問(wèn)題則關(guān)心的是數(shù)據(jù)背后的機(jī)制，常見(jiàn)的問(wèn)題如“吸煙是否導(dǎo)致肺癌”，類似的問(wèn)題則為因果的問(wèn)題。

在因果效應(yīng)估計(jì)問(wèn)題里有兩類很重要的數(shù)據(jù)：一類是觀測(cè)數(shù)據(jù)，另一類則為隨機(jī)對(duì)照實(shí)驗(yàn)產(chǎn)生的實(shí)驗(yàn)數(shù)據(jù)。

• 觀測(cè)數(shù)據(jù)是我們實(shí)際生活或產(chǎn)品積累下來(lái)的數(shù)據(jù)。比如抽煙的數(shù)據(jù)，有的人喜歡抽煙，觀察數(shù)據(jù)則是抽煙者的相關(guān)數(shù)據(jù)，最終抽煙者中的一部分人得癌癥。機(jī)器學(xué)習(xí)預(yù)測(cè)問(wèn)題就是估計(jì)條件概率P（得肺癌｜吸煙），即給定吸煙的條件下，觀察吸煙者得肺癌的概率。在上述的觀測(cè)數(shù)據(jù)中，抽煙的分配實(shí)際上并不是隨機(jī)的：每個(gè)人抽煙的偏好不同，同時(shí)也會(huì)受環(huán)境的影響。
• 回答因果問(wèn)題最好的方式是進(jìn)行隨機(jī)對(duì)照實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)是通過(guò)隨機(jī)對(duì)照的實(shí)驗(yàn)得到的。在隨機(jī)對(duì)照實(shí)驗(yàn)中，treatment 的分配是隨機(jī)的。假設(shè)需要通過(guò)做實(shí)驗(yàn)的方式得到“吸煙是否會(huì)導(dǎo)致肺癌”的結(jié)論，首先需要找到足夠多的人，強(qiáng)制其中一半人抽煙，同時(shí)強(qiáng)制另一半人不抽煙，并觀察兩組人得肺癌的概率。雖然隨機(jī)對(duì)照試驗(yàn)在部分場(chǎng)景下受制于道德、政策等因素而不可實(shí)現(xiàn)，在部分領(lǐng)域中隨機(jī)對(duì)照實(shí)驗(yàn)仍可進(jìn)行，比如在搜推廣中的 A/B test 等。

因果估計(jì)問(wèn)題 E(Y|do(X)) 問(wèn)題和傳統(tǒng)的預(yù)測(cè)或分類問(wèn)題 E(Y|X) 之間的主要區(qū)別在于：給定的條件中出現(xiàn)了 Judy Pearl 提出的干預(yù)表示符號(hào) do。通過(guò)干預(yù)，強(qiáng)制將 X 變量設(shè)置為某個(gè)值。本次報(bào)告分享中的因果效應(yīng)估計(jì)主要指的是從觀測(cè)數(shù)據(jù)中估計(jì)因果效應(yīng)。

在因果推斷中如何更好地利用數(shù)據(jù)？本次報(bào)告將以兩個(gè)團(tuán)隊(duì)近期已發(fā)表論文為例子去介紹這樣一個(gè)話題。

• 第一個(gè)工作是如何更好地利用歷史對(duì)照數(shù)據(jù)。比如在某個(gè)時(shí)間點(diǎn)舉行了一個(gè)營(yíng)銷大促的活動(dòng)，在這個(gè)時(shí)間點(diǎn)之前的時(shí)間稱為“干預(yù)前”，在這個(gè)時(shí)間點(diǎn)之后的時(shí)間稱為“干預(yù)后”。我們希望在干預(yù)前就知道采取干預(yù)將帶來(lái)多少實(shí)際的效果，進(jìn)而輔助我們做下一步?jīng)Q策。在這次營(yíng)銷活動(dòng)開(kāi)始之前，我們擁有用戶的歷史表現(xiàn)數(shù)據(jù)，第一個(gè)工作主要就是介紹如何利用好“干預(yù)前”的數(shù)據(jù)，輔助數(shù)據(jù)糾偏工作以更好地評(píng)估干預(yù)的效果。
• 第二個(gè)工作主要是介紹如何更好地利用多源異構(gòu)數(shù)據(jù)。機(jī)器學(xué)習(xí)中也經(jīng)常會(huì)涉及此類問(wèn)題，常見(jiàn)的問(wèn)題如 domain adaptation、transfer learning 等。在今天的報(bào)告中，將從因果的視角去考慮多源異構(gòu)數(shù)據(jù)的利用問(wèn)題，即假設(shè)在有多個(gè)數(shù)據(jù)源的情況下，如何更好地估計(jì)因果效應(yīng)。

二、糾偏因果樹(shù) GBCT

1、傳統(tǒng)的因果樹(shù)

樹(shù)算法主要由兩個(gè)模塊組成：

• 分裂準(zhǔn)則：根據(jù)分裂準(zhǔn)則將一個(gè)節(jié)點(diǎn)分裂成兩個(gè)子節(jié)點(diǎn)
• 參數(shù)估計(jì)：分裂完成后，比如最終停止分裂，根據(jù)參數(shù)估計(jì)的方法在葉子節(jié)點(diǎn)上預(yù)測(cè)新樣本或群體的因果效應(yīng)

一些傳統(tǒng)因果樹(shù)算法是根據(jù)因果效應(yīng)的異質(zhì)性進(jìn)行分裂的，基本思想是希望分裂之后的左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的因果效應(yīng)差異較大，通過(guò)分裂捕捉到不同數(shù)據(jù)分布的因果效應(yīng)異質(zhì)性。

傳統(tǒng)因果樹(shù)的分裂準(zhǔn)則，比如：

• uplift tree 的分裂準(zhǔn)則為最大化左右子節(jié)點(diǎn)的因果效應(yīng)差異，差異的度量使用歐氏距離、KL 散度等距離度量；
• causal tree 分裂準(zhǔn)則可直觀地解釋為最大化因果效應(yīng)的平方?？赏ㄟ^(guò)數(shù)學(xué)證明，該分裂準(zhǔn)則等價(jià)于最大化葉子節(jié)點(diǎn)因果效應(yīng)方差。

常見(jiàn)的參數(shù)估計(jì)做法是直接在分裂后的葉子節(jié)點(diǎn)上將實(shí)驗(yàn)組的平均 outcome 減去對(duì)照組的平均 outcome，以此作為因果效應(yīng)的估計(jì)值。如果是隨機(jī)對(duì)照實(shí)驗(yàn)，則 treatment 的分配機(jī)制是隨機(jī)的，由此計(jì)算得到的平均差值即為因果效應(yīng)。隨機(jī)分配機(jī)制保證實(shí)驗(yàn)組和對(duì)照組的數(shù)據(jù)分布是相同的，即稱之為同質(zhì)。

因果樹(shù)中分裂得到子節(jié)點(diǎn)，可以保證分裂得到的左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的分布是同質(zhì)的嗎？

2、糾偏因果樹(shù) GBCT

傳統(tǒng)的 causal tree、uplift tree 并不能保證分裂后的左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的分布是同質(zhì)的。因此上一節(jié)提到的傳統(tǒng)估計(jì)是有偏的。

我們的工作關(guān)注于去估計(jì)實(shí)驗(yàn)組（treatment組）上的平均因果效應(yīng) CATT。CATT 的定義為：

進(jìn)一步，可將傳統(tǒng)的因果效應(yīng)估計(jì)拆分成兩部分：

選擇偏倚（selection bias/confounding bias）可定義為：

其直觀含義為在實(shí)驗(yàn)組中 treatment=0 時(shí)的估計(jì)值，減去在對(duì)照組中 treatment=0 時(shí)的估計(jì)值。在傳統(tǒng)的因果樹(shù)中上述的 bias 是沒(méi)有被刻畫(huà)的，選擇偏倚可能會(huì)影響我們的估計(jì)，從而導(dǎo)致最終的估計(jì)是有偏的。

我們的思路是利用產(chǎn)品或平臺(tái)上積累的歷史對(duì)照數(shù)據(jù)，從而顯式地減少選擇偏倚。具體操作是基于兩個(gè)假設(shè)：

• 假設(shè)1：可觀測(cè)到干預(yù)之前實(shí)驗(yàn)組和對(duì)照組在 treatment=0 的狀態(tài)下的 outcome 的表現(xiàn)。以金融信貸產(chǎn)品中信用卡產(chǎn)品提額操作為例，在提額之前，我們可觀察到用戶平時(shí)的使用表現(xiàn)，即實(shí)驗(yàn)組和對(duì)照組在不提額狀態(tài)下（treatment=0）的 outcome 的表現(xiàn)是可獲得的；
• 假設(shè)2：假設(shè) outcome 的 y 在干預(yù)前后滿足一定的連續(xù)性。直觀理解為一個(gè)用戶或群體行為的變化在干預(yù)前后不會(huì)太劇烈。

具體的做法：

① 分裂準(zhǔn)則

• 分裂準(zhǔn)則的第一部分與傳統(tǒng)因果樹(shù)類似，通過(guò)擬合歷史數(shù)據(jù)的 outcome 從而降低經(jīng)驗(yàn)損失。比如在不提額狀態(tài)下通過(guò)函數(shù)擬合用戶行為。
• 分裂準(zhǔn)則的第二部分是使用混淆熵?；煜叵鄬?duì)于均方誤差而言，可以捕捉高階信息。公式：

的直觀含義是：在實(shí)驗(yàn)組中，使用對(duì)照組的模型進(jìn)行估計(jì)；在對(duì)照組中，使用實(shí)驗(yàn)組的模型進(jìn)行估計(jì)；使這兩部分的估計(jì)盡量接近，從而使得實(shí)驗(yàn)組和對(duì)照組的分布盡量接近一致?；煜氐氖褂檬俏覀冞@個(gè)工作的主要貢獻(xiàn)之一。

• 最終損失為以上兩部分的加權(quán)和。注意到損失中主要使用的是干預(yù)前  的數(shù)據(jù)（經(jīng)驗(yàn)損失部分仍會(huì)使用干預(yù)后的數(shù)據(jù)來(lái)擬合），即用干預(yù)前的數(shù)據(jù)進(jìn)行輔助糾偏。

② 參數(shù)估計(jì)

• 參數(shù)估計(jì)使用的是干預(yù)后（t≥τ）的數(shù)據(jù)進(jìn)行因果效應(yīng)的估計(jì)。主要使用干預(yù)前的數(shù)據(jù)糾偏學(xué)習(xí)得到一個(gè)樹(shù)結(jié)構(gòu)，在葉子節(jié)點(diǎn)中使用干預(yù)后的數(shù)據(jù)進(jìn)行因果效應(yīng)的估計(jì)，由于使用干預(yù)前的數(shù)據(jù)進(jìn)行了顯式地糾偏，因此在使用干預(yù)后的數(shù)據(jù)計(jì)算得到的估計(jì)會(huì)更加準(zhǔn)確。
• （PPT 的右側(cè)）由右圖所示，黃色的線代表實(shí)驗(yàn)組，藍(lán)色的組代表對(duì)照組。業(yè)務(wù)中的一些策略可能會(huì)導(dǎo)致實(shí)驗(yàn)組和對(duì)照組的分配不是隨機(jī)的，兩者的分布存在明顯的差異。經(jīng)過(guò) GBCT 糾偏后，葉子節(jié)點(diǎn)上干預(yù)前的實(shí)驗(yàn)組和對(duì)照組的數(shù)據(jù)分布基本是對(duì)齊的，從某種意義上達(dá)到了類似模擬隨機(jī)對(duì)照實(shí)驗(yàn)的效果，因此使用干預(yù)后的數(shù)據(jù)估計(jì)因果效應(yīng)（黃線下的面積減去藍(lán)線下的面積）會(huì)更加準(zhǔn)確。

傳統(tǒng)的樹(shù)模型的集成包括 bagging、boost 等方法。uplift forest 或 causal forest 使用的集成方法為 bagging 法，uplift forest 的集成為直接求和，而causal forest 的集成需要求解一個(gè)損失函數(shù)。

由于在 GBCT 中設(shè)計(jì)了顯式糾偏的模塊，從而 GBCT 支持使用 boosting方法進(jìn)行集成。基本思想與 boosting 類似：在第一棵樹(shù)糾偏完之后，第二棵樹(shù)進(jìn)行糾偏，第三棵樹(shù)進(jìn)行糾偏……

實(shí)驗(yàn)方面做了兩部分實(shí)驗(yàn)：

① 仿真實(shí)驗(yàn)。在含有 ground truth 的仿真實(shí)驗(yàn)下，檢驗(yàn) GBCT 的方法是否能夠達(dá)到預(yù)期的效果。仿真實(shí)驗(yàn)的數(shù)據(jù)生成分為兩部分（表格中的第一列Φ表示選擇偏倚，Φ值越大，對(duì)應(yīng)的選擇偏倚就越強(qiáng)；表格中的數(shù)值為 MAE，MAE 值越小表明方法越好）：

• 第一部分是混淆變量已觀測(cè)。在混淆變量都已觀測(cè)的情況下，檢驗(yàn) GBCT 的方法相對(duì)于傳統(tǒng)方法是否更加魯棒。由表中數(shù)據(jù)可得出結(jié)論，選擇偏倚越大，傳統(tǒng)方法（meta learner、causal forest 等）表現(xiàn)越差。
• 第二部分是存在未觀測(cè)的混淆變量。此時(shí)很多傳統(tǒng)方法的效果會(huì)顯著地變差。對(duì) GBCT 而言，在存在未觀測(cè)混淆變量時(shí)表現(xiàn)比較穩(wěn)定，同時(shí)穩(wěn)定地比其他方法表現(xiàn)得好。
• 表格中最后兩列（GBCT-ND, GBCT-B）是消融實(shí)驗(yàn)，即去掉一些模塊的 GBCT 的弱化版本，進(jìn)而說(shuō)明我們提出的每個(gè)模塊都是有用的。

② 真實(shí)信用卡提額數(shù)據(jù)。進(jìn)行隨機(jī)對(duì)照的實(shí)驗(yàn)，同時(shí)根據(jù)隨機(jī)對(duì)照實(shí)驗(yàn)構(gòu)造了有偏數(shù)據(jù)。在不同的設(shè)置下，GBCT 方法比傳統(tǒng)的方法穩(wěn)定地好，尤其是在有偏的數(shù)據(jù)上，顯著比傳統(tǒng)的方法表現(xiàn)得好。

三、因果數(shù)據(jù)融合

第二個(gè)工作是因果數(shù)據(jù)融合，即在擁有多個(gè)數(shù)據(jù)源的情況下，如何更好地估計(jì)因果效應(yīng)。

主要的符號(hào)：是多個(gè)數(shù)據(jù)源，Y 是outcome，A 是treatment，X 是關(guān)注的協(xié)變量，Z 是除 X 了外每個(gè)數(shù)據(jù)源（域）的其他協(xié)變量，S 是域的indicator用于表示屬于哪個(gè)域，μ 是潛在結(jié)果的期望值。將outcome拆解成如下表達(dá)式：

target function δ 用于估計(jì)每個(gè)域上的因果效應(yīng)，另外 nuisance functions 包括主效應(yīng)、傾向性評(píng)分、域傾向性評(píng)分、效應(yīng)的方差等。

一些傳統(tǒng)的方法，比如 meta learner 等都是假設(shè)數(shù)據(jù)是同源的，即分布是一致的。一些傳統(tǒng)的數(shù)據(jù)融合方法可以處理在跨域之間人群的異質(zhì)性，但是無(wú)法顯式地捕捉到干預(yù)結(jié)果跨域的異質(zhì)性以及因果作用跨域的異質(zhì)性。我們的工作主要是處理更復(fù)雜的跨域間的異質(zhì)性，包括干預(yù)結(jié)果跨域之間的異質(zhì)性以及因果作用跨域之間的異質(zhì)性。

WMDL 算法的框架圖如上圖所示。主要的模塊為：

• propensity scores
• outcome models
• causal information-aware weighting module

三個(gè)模塊綜合起來(lái)就得到了最終的估計(jì)。WMDL 算法的三個(gè)亮點(diǎn)為：

• 如何刻畫(huà)不同程度的跨域之間的異質(zhì)性
• 如何設(shè)計(jì) weighting 的模塊以用上更多的信息
• 如何得到一個(gè) doubly robust 的估計(jì)

在本次工作中不是通過(guò)估計(jì)實(shí)驗(yàn)組的 outcome 和對(duì)照組的 outcome，然后作差得到因果效應(yīng)的估計(jì)，而是直接估計(jì)因果效應(yīng)，即 Direct Learning。Direct Learning 的好處是可以避免實(shí)驗(yàn)組和對(duì)照組中較高頻的噪聲信號(hào)。

左邊部分假設(shè)了多個(gè)域之間因果效應(yīng)是一樣的，但其 outcome 可能存在異質(zhì)性；右邊部分假設(shè)每個(gè)域之間的因果效應(yīng)不一樣，即在不同的域之間，即使它的協(xié)變量一樣，其因果效應(yīng)也不同。

公式是根據(jù)拆解式推導(dǎo)得到的，outcome Y 減去 main effect 除以treatment，估計(jì)的是 I(X)，得到的最優(yōu)解即為 δ(X)。中的分子是后面將要提到的 causal information-aware weighting module，是我們本次工作的一個(gè)主要貢獻(xiàn)點(diǎn)；分母則類似于 doubly robust 方法中的傾向性得分，只不過(guò)本次工作中同時(shí)考慮了域的信息。如果不同域之間的因果效應(yīng)不一樣，會(huì)同時(shí)考慮域的 indicator 信息。

本次工作三方面的優(yōu)勢(shì)：

① 通過(guò)不同的設(shè)計(jì)，不僅能處理干預(yù)結(jié)果的異質(zhì)性，同時(shí)可以處理因果作用之間的異質(zhì)性；

② 具有 doubly robustness 性質(zhì)。在論文中給出了證明，只要域的傾向性評(píng)分模型或主效應(yīng)模型兩者之一的估計(jì)是無(wú)偏的，最終得到的估計(jì)就是無(wú)偏的（實(shí)際情況略復(fù)雜一點(diǎn)，細(xì)節(jié)見(jiàn)論文）；

③ 本次工作主要設(shè)計(jì)了半?yún)⒛Ｐ涂蚣?。其中模型的每一個(gè)模塊都可以用任何機(jī)器學(xué)習(xí)的模型，甚至可以將整個(gè)模型設(shè)計(jì)進(jìn)神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)端到端的學(xué)習(xí)。

Weighting 的模塊是從統(tǒng)計(jì)學(xué)中的 efficiency bound theory 推導(dǎo)得到的。主要包含兩方面信息：

① 是域之間分布差異平衡轉(zhuǎn)換的模塊；是因果相關(guān)的信息量模塊?？赏ㄟ^(guò)左邊三幅圖來(lái)輔助理解：如果源域（source domain）和目標(biāo)域（target domain）之間分布的差異較大，則優(yōu)先給與目標(biāo)域（target domain）較接近的樣本以較大的權(quán)重；

② 通過(guò)分母上的傾向性評(píng)分函數(shù)的設(shè)計(jì)，給實(shí)驗(yàn)組和對(duì)照組中存在重疊（overlap）的這部分樣本以較大的權(quán)重；

③ 通過(guò) V 刻畫(huà)數(shù)據(jù)中的噪聲。由于噪聲在分母上，噪聲小的樣本將得到較大的權(quán)重。

通過(guò)巧妙地將上述三部分結(jié)合在一起，可以將不同域之間的分布差異以及不同因果信息的表現(xiàn)映射到統(tǒng)一的域中。

不管在同質(zhì)的因果效應(yīng)還是異質(zhì)的因果效應(yīng)下，WMDL（Weighted Multi-domain Direct Learning）方法都有較好的效果。右圖則是對(duì) weighting 模塊進(jìn)行了消融實(shí)驗(yàn)，實(shí)驗(yàn)表明了 weighting 模塊的有效性。綜上所述，WMDL 方法穩(wěn)定地比其他方法效果好，估計(jì)的方差比較小。

四、在螞蟻的業(yè)務(wù)應(yīng)用

在金融信貸風(fēng)控場(chǎng)景中，干預(yù)的手段如提額、降價(jià)等，希望得到預(yù)期的效果如余額或風(fēng)險(xiǎn)的變化量。在一些實(shí)際的場(chǎng)景中，GBCT 的糾偏工作會(huì)利用提額前一段時(shí)間內(nèi)的歷史表現(xiàn)（實(shí)驗(yàn)組和對(duì)照組在不提額下的狀態(tài)可獲得），通過(guò)歷史的信息進(jìn)行顯式糾偏，使得干預(yù)后的估計(jì)會(huì)更加準(zhǔn)確。GBCT 分裂到一個(gè)子節(jié)點(diǎn)，使得干預(yù)前行為對(duì)齊，則干預(yù)后的因果效應(yīng)就比較容易估計(jì)了。（糾偏后得到的）圖中紅色為提額組，藍(lán)色為不提額組，中間的灰色區(qū)域即為估計(jì)的因果效應(yīng)。GBCT 幫助我們更好地做出智能決策，控制信貸產(chǎn)品的余額及風(fēng)險(xiǎn)。

五、問(wèn)答環(huán)節(jié)

Q1：請(qǐng)問(wèn) GBCT 糾偏和雙重差分方法（DID）有何異同？

A1：GBCT 糾偏主要思想是利用歷史對(duì)照信息顯式地降低選擇偏倚，GBCT 的方法和 DID 雙重差分的方法有相似也有不同之處：

• 相似的地方是二者都利用了歷史信息；
• 不同的地方在于兩者對(duì)于歷史信息的處理方式。DID 假設(shè)歷史數(shù)據(jù)中的實(shí)驗(yàn)組和對(duì)照組之間存在固定常值的間隔（gap），在預(yù)測(cè)時(shí)減去間隔（gap）。由于選擇偏倚，實(shí)驗(yàn)組和對(duì)照組的分配不是隨機(jī)的，GBCT 通過(guò)糾偏的方式，將歷史的實(shí)驗(yàn)組和對(duì)照組進(jìn)行對(duì)齊。

Q2：GBCT 在未觀測(cè)混淆變量上會(huì)表現(xiàn)得更好，有什么比較直觀的解釋？

A2：如果所有的混淆變量已觀測(cè)的話，滿足可忽略性（Ignorability）假設(shè)，某種程度上，雖然沒(méi)有顯式地降低選擇偏倚，實(shí)驗(yàn)組和對(duì)照組也有可能通過(guò)傳統(tǒng)的方法實(shí)現(xiàn)對(duì)齊，實(shí)驗(yàn)表明 GBCT 的表現(xiàn)要略勝一籌，通過(guò)顯式糾偏使得結(jié)果更穩(wěn)定一些。

假設(shè)存在一些未觀測(cè)到的混淆變量，此類場(chǎng)景在實(shí)際中是非常常見(jiàn)的，歷史的對(duì)照數(shù)據(jù)中也存在未觀測(cè)的混淆變量，比如在提額前，家庭情況、收入的變化等可能觀測(cè)不到，但是用戶的金融行為已經(jīng)通過(guò)歷史數(shù)據(jù)體現(xiàn)出來(lái)了。我們希望通過(guò)歷史的表現(xiàn)信息，以混淆熵等方式顯式降低選擇偏倚，使得在樹(shù)分裂時(shí)，將混淆變量之間的異質(zhì)性刻畫(huà)到分裂的子節(jié)點(diǎn)中。在子節(jié)點(diǎn)中，使得未觀測(cè)的混淆變量有更大的概率是比較相近的，因此估計(jì)的因果效應(yīng)相對(duì)更準(zhǔn)確。

Q3：有將 GBCT 和 Double Machine Learning（DML）做過(guò)比較嗎？

A3：做過(guò)比較。Double Machine Learning 是一個(gè)半?yún)⒌姆椒?。我們這篇工作更關(guān)注于 tree-based 方法，所以選用的 base learner 都是一些 tree 或 forest 等相關(guān)的方法。表格中的 DML-RF 是 Double Machine Learning 版的 Random Forest。 

相比于 DML，GBCT 主要是在考慮如何利用歷史的對(duì)照數(shù)據(jù)。在對(duì)比方法中，會(huì)把歷史的 outcome 直接作為協(xié)變量處理，但這種處理方法顯然沒(méi)有把信息用得很好。

Q4：業(yè)務(wù)中可能會(huì)遇到的比較相似的問(wèn)題是，離線可能會(huì)有選擇偏倚。但是線上的偏倚可能會(huì)和離線的偏倚存在一些偏差。此時(shí)在離線做效果評(píng)估時(shí)，可能沒(méi)有辦法非常準(zhǔn)確地對(duì)離線效果進(jìn)行估計(jì)。

A4：這個(gè)問(wèn)題在金融場(chǎng)景是一個(gè)非常本質(zhì)的問(wèn)題。在搜推廣中可以通過(guò)在線學(xué)習(xí)或者 A/B test 部分克服離線與在線之間的差異。在金融場(chǎng)景，受政策影響不能輕易地在線上做實(shí)驗(yàn)；另外表現(xiàn)的觀測(cè)周期通常較長(zhǎng)，如信貸產(chǎn)品觀察到用戶的反饋需要至少 1 個(gè)月的觀測(cè)時(shí)間。因此實(shí)際上很難完美地解決這個(gè)問(wèn)題。

我們一般采取如下方式：在離線評(píng)估時(shí)使用不同時(shí)期（OOT）的測(cè)試數(shù)據(jù)去做驗(yàn)證，觀察其表現(xiàn)的魯棒性。如果測(cè)試表現(xiàn)比較穩(wěn)定的，那么相對(duì)來(lái)說(shuō)更有理由相信其在線上的表現(xiàn)也是不錯(cuò)的。