温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者： 李长生 (贵州大学)
邮箱： 2716759269@qq.com

 

编者按： 本文主要参考下文，特此感谢！
Source： EconML User Guide. -HTML-

 

• Title: EconML：因果机器学习的实现流程
• Keywords: EconML, 因果推断，机器学习，个体处理效应，ITE, DML, DDML, Python

 

1. 简介

EconML 是一个基于 Python 的开源库，专注于利用机器学习方法从观测数据（Observational Data）或实验数据（Experimental Data）中估计个体处理效应（Individual Treatment Effect, ITE）。

该库集成了因果推断与机器学习的前沿技术，通过将灵活的机器学习模型嵌入到可解释的因果分析框架中，显著提升了反事实预测的准确性和可靠性，使更多研究者能够便捷地开展因果推断分析。

在上一篇推文中，我们已介绍了如何使用 EconML 实现动态双重机器学习（Dynamic Double Machine Learning, DML）的基本流程。本文将进一步探讨 EconML 的核心功能及其在实际中的应用场景。

参考阅读：李俊奇，2025，Python-EconML 包：快速上手动态双重机器学习，连享会 No.1577.

EconML 由微软研究院 ALICE 团队开发，具备以下主要特点：

EconML 库实现了计量经济学与机器学习交叉领域文献中的前沿技术，这些技术致力于通过基于机器学习的方法解决异质性处理效应的估计问题。这些新型方法在建模效应异质性方面提供了极大的灵活性（通过诸如随机森林、Boosting 方法、Lasso 回归和神经网络等技术实现），同时借鉴了来自因果推断和计量经济学的技术，以保持所学模型的因果解释。

 

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。