Программа: 1. Отбор лучшей казуальной модели с помощью R-скорера Класс RScorer для сравнения нескольких моделей эффекта по R-критерию (Nie & Wager). Применять для объективного выбора лучшей модели CATE – это альтернатива использованному в работе сравнению по остаточному среднеквадратичному отклонению (MSE). 2. Примеры использования OrthoIV и DRIV Семейство алгоритмов с инструментальными переменными (OrthoIV, DMLIV, DRIV), сочетающих подходы двойного и дважды робастного машинного обучения. Применять при эндогенном воздействии, когда присутствует ненаблюдаемый конфаундер, но доступен инструмент. Частный случай (Intent-to-Treat DRIV) – рандомизированный эксперимент с неполным соблюдением (non-compliance). 3. Примеры применения взвешенного двойного машинного обучения Применение DML к взвешенным или агрегированным данным. Применять, когда данные поступают в виде сегментов или сводок (число наблюдений и дисперсия по сегменту), а не построчно. 4. Примеры применения двойного машинного обучения Демонстрирует классы LinearDML и SparseLinearDML. Применять, когда воздействие не является эндогенным (инструменты не требуются), а конфаундеры наблюдаемы; SparseLinearDML – именно в случае, когда вектор контролей W высокоразмерный и обе стадии оценивания линейны. 5. Примеры применения динамического двойного машинного обучения Класс DynamicDML для воздействий, назначаемых последовательно во времени и влияющих на будущие исходы. 6. Примеры применения ортогонального случайного леса и каузального леса Классы CausalForestDML и OrthoForest (ортогональный случайный лес). Применять, когда требуется оценка гетерогенного эффекта воздействия (HTE) и есть основания подозревать нелинейные взаимодействия. ORF особенно эффективен при большом количестве конфаундеров благодаря ортогонализации. 7. Примеры трансформация воздействия Аргумент treatment_featurizer для учета нелинейности по самому воздействию (например, когда отклик линеен относительно квадрата воздействия). Применять, когда исход зависит от преобразования воздействия, а не от него напрямую; этот прием, например, может помочь уловить нелинейный отклик D→Y, оставшийся незахваченным. 8. Policy Learning (построение политики назначения воздействия) с помощью деревьев и лесов Классы PolicyTree и PolicyForest: не просто оценить эффект, а вывести правило назначения воздействия (кому следует применять вмешательство), максимизирующее бизнес-value. Применять для перевода оценок CATE в практическую политику – прямой мост к бизнес-рекомендациям по ценовым сегментам. 9. Обобщенные случайные леса Низкоуровневый модуль econml.grf (высокопроизводительная Cython-реализация R-пакета grf): CausalForest, IVForest, RegressionForest. Применять, когда нужны максимальная производительность и тонкий контроль над построением леса, а не высокоуровневая обертка. 10. Валидация моделей оценки CATE Диагностика качества оценки CATE: тест на наилучший линейный предиктор (BLP), коэффициент Qini и калибровка. Применять, чтобы убедиться, что обнаруженная гетерогенность реальна, а не является артефактом модели.
