机器学习与因果推断

Machine Learning and Causal Inference

发布于

2026年3月5日

课程信息

基本信息

课程名称: 机器学习与因果推断
授课对象: 高年级本科生
学分: 2学分
时间: 周一 16：00-17：30
地点: 明德商学楼0207
学期: 2025-2026学年春季学期

授课教师

陈志远 中国人民大学商学院助理教授（贸易经济系）

📧 chenzhiyuan@rmbs.ruc.edu.cn
🏢 办公室: 919
🕒 Office Hours: 周四 14:00-15:00

📎 讲义

📋 课程大纲
📝 作业1：PSM-DID Monte Carlo
第一讲：课程导论 [课件] [详细讲义]
第二讲：概率与回归基础 [课件] [详细讲义]
第三讲：有向无环图 [课件] [详细讲义]
第四讲：匹配与分层 [课件] [详细讲义]
第五讲：工具变量法 [课件] [详细讲义]
第六讲：面板数据与双重差分法 [课件] [详细讲义]
第七讲：机器学习基础 I [课件] [详细讲义]
第八讲：机器学习基础 II [课件] [详细讲义]
第九讲：广义随机森林 [课件] [详细讲义]
第十讲：因果森林 [课件] [详细讲义]
第十一讲：双重机器学习 [课件] [详细讲义]
第十二讲：因果推断与 AI [课件] [详细讲义]
💻 课程代码仓库

📢 最新公告

2026-04-27 — 作业1已发布：用 Monte Carlo 模拟理解 PSM-DID。 📝 查看作业要求

2026-06-09 — 第十二讲课件和详细讲义已发布！ 📊 课件：因果推断与 AI · 📖 详细讲义

2026-06-02 — 第十一讲课件和详细讲义已发布！ 📊 课件：双重机器学习 · 📖 详细讲义

2026-05-26 — 第十讲课件和详细讲义已发布！ 📊 课件：因果森林 · 📖 详细讲义

2026-04-28 — 第九讲课件和详细讲义已发布！ 📊 课件：广义随机森林 · 📖 详细讲义

2026-04-26 — 第八讲课件和详细讲义已发布！ 📊 课件：机器学习基础 II · 📖 详细讲义

2026-04-19 — 第七讲课件和详细讲义已发布！ 📊 课件：机器学习基础 I · 📖 详细讲义

2026-04-12 — 第六讲课件和详细讲义已发布！ 📊 课件：面板数据与双重差分法 · 📖 详细讲义

2026-04-07 — 第五讲课件和详细讲义已发布！ 📊 课件：工具变量法 · 📖 详细讲义

2026-03-30 — 第三、四讲课件和详细讲义已发布！ 📊 第四讲课件 · 📖 讲义 📊 第三讲课件 · 📖 讲义

第一、二讲课件和详细讲义已发布！ 📊 第一讲课件 · 📖 讲义 📊 第二讲课件 · 📖 讲义

课程描述

本课程系统介绍因果推断的理论基础与机器学习方法的结合，培养学生运用数据回答”为什么”的能力。课程分为两大模块：

模块一：经典因果推断方法（前8周）

周次	主题	核心内容
1	课程导论	相关vs因果，潜在结果框架入门
2-3	因果推断基础	潜在结果框架深入，混淆变量，识别策略
4	匹配法	倾向得分匹配，精确匹配，重叠条件
5-6	双重差分	DID原理，平行趋势检验，动态效应
7	合成控制法	合成控制原理，安慰剂检验
8	工具变量法	IV原理，2SLS，排他性约束

模块二：机器学习与因果推断（后6周）

周次	主题	核心内容
9-10	ML基础	回归，决策树，随机森林，交叉验证
11-12	广义随机森林	异质性处理效应，置信区间
13	因果森林	异质性分析，Policy Learning
14	双重机器学习	Double ML，Neyman正交性
15-16	项目答辩	期末展示与点评

为什么要学习因果推断？

现实需求

营销投入真的带来销量增长了吗？
新产品上线真的提升了用户留存吗？
培训项目真的提高了员工绩效吗？
政策调整真的促进了经济发展吗？

技术趋势

🚀 AI时代的核心技能
📊 数据驱动决策的标配
🌍 学术界与业界的通用语言
💡 从“跑数据”到“洞察”的跃迁

课程特色

🤖 AI辅助编程

传统编程与Vibe Coding结合，提升学习效率

🐍 Python + R

双语言实践，覆盖主流数据科学生态

📚 理论与实践

经典方法与前沿ML方法并重，案例驱动

在线资源

Scikit-Learn文档（Python机器学习库）
ISL-Python资源（《统计学习导论》Python库）
ISL-R资源（《统计学习导论》R库）
EconML文档（微软）
DoubleML文档
CausalML (Uber)
课程Gitee仓库

开始学习

--- title: "机器学习与因果推断" subtitle: "Machine Learning and Causal Inference" date: "2026-03-05" --- ::: {.hero-banner} ## 从相关性到因果性用数据回答“**为什么**” ::: ## 课程信息 ::: {.grid} ::: {.g-col-6} ### 基本信息 - **课程名称**: 机器学习与因果推断 - **授课对象**: 高年级本科生 - **学分**: 2学分 - **时间**: 周一 16：00-17：30 - **地点**: 明德商学楼0207 - **学期**: 2025-2026学年春季学期 ### 授课教师 **陈志远** 中国人民大学商学院助理教授（贸易经济系） - 📧 chenzhiyuan@rmbs.ruc.edu.cn - 🏢 办公室: 919 - 🕒 Office Hours: 周四 14:00-15:00 ::: ::: {.g-col-6} <details class="info-panel" open> <summary class="info-panel-header">📎 讲义</summary> <div class="info-panel-body"> - [📋 课程大纲](syllabus.qmd) - [📝 作业1：PSM-DID Monte Carlo](Assignments/assignment01_psm_did_monte_carlo.qmd) - 第一讲：课程导论 [[课件](Quarto/lecture01_intro.html)] [[详细讲义](Quarto/lecture01_notes.html)] - 第二讲：概率与回归基础 [[课件](Quarto/lecture02_probability_regression.html)] [[详细讲义](Quarto/lecture02_probability_regression_notes.html)] - 第三讲：有向无环图 [[课件](Quarto/lecture03_dags.html)] [[详细讲义](Quarto/lecture03_dags_notes.html)] - 第四讲：匹配与分层 [[课件](Quarto/lecture04_matching.html)] [[详细讲义](Quarto/lecture04_matching_notes.html)] - 第五讲：工具变量法 [[课件](Quarto/lecture05_Instruments.html)] [[详细讲义](Quarto/lecture05_instruments_notes.html)] - 第六讲：面板数据与双重差分法 [[课件](Quarto/lecture06_panel_did.html)] [[详细讲义](Quarto/lecture06_panel_did_notes.html)] - 第七讲：机器学习基础 I [[课件](Quarto/lecture07_ml_basics.html)] [[详细讲义](Quarto/lecture07_ml_basics_notes.html)] - 第八讲：机器学习基础 II [[课件](Quarto/lecture08_ml_basics_ii.html)] [[详细讲义](Quarto/lecture08_ml_basics_ii_notes.html)] - 第九讲：广义随机森林 [[课件](Quarto/lecture09_grf.html)] [[详细讲义](Quarto/lecture09_grf_notes.html)] - 第十讲：因果森林 [[课件](Quarto/lecture10_causal_forest.html)] [[详细讲义](Quarto/lecture10_causal_forest_notes.html)] - 第十一讲：双重机器学习 [[课件](Quarto/lecture11_dml.html)] [[详细讲义](Quarto/lecture11_dml_notes.html)] - 第十二讲：因果推断与 AI [[课件](Quarto/lecture12_ai_workflow.html)] [[详细讲义](Quarto/lecture12_ai_workflow_notes.html)] - [💻 课程代码仓库](https://github.com/zhiyuanryanchen/ml-causal-inference) </div> </details> <details class="info-panel"> <summary class="info-panel-header">📢 最新公告</summary> <div class="info-panel-body"> **2026-04-27** — 作业1已发布：用 Monte Carlo 模拟理解 PSM-DID。 📝 [查看作业要求](Assignments/assignment01_psm_did_monte_carlo.qmd) --- **2026-06-09** — 第十二讲课件和详细讲义已发布！ 📊 [课件：因果推断与 AI](Quarto/lecture12_ai_workflow.html) · 📖 [详细讲义](Quarto/lecture12_ai_workflow_notes.html) --- **2026-06-02** — 第十一讲课件和详细讲义已发布！ 📊 [课件：双重机器学习](Quarto/lecture11_dml.html) · 📖 [详细讲义](Quarto/lecture11_dml_notes.html) --- **2026-05-26** — 第十讲课件和详细讲义已发布！ 📊 [课件：因果森林](Quarto/lecture10_causal_forest.html) · 📖 [详细讲义](Quarto/lecture10_causal_forest_notes.html) --- **2026-04-28** — 第九讲课件和详细讲义已发布！ 📊 [课件：广义随机森林](Quarto/lecture09_grf.html) · 📖 [详细讲义](Quarto/lecture09_grf_notes.html) --- **2026-04-26** — 第八讲课件和详细讲义已发布！ 📊 [课件：机器学习基础 II](Quarto/lecture08_ml_basics_ii.html) · 📖 [详细讲义](Quarto/lecture08_ml_basics_ii_notes.html) **2026-04-19** — 第七讲课件和详细讲义已发布！ 📊 [课件：机器学习基础 I](Quarto/lecture07_ml_basics.html) · 📖 [详细讲义](Quarto/lecture07_ml_basics_notes.html) **2026-04-12** — 第六讲课件和详细讲义已发布！ 📊 [课件：面板数据与双重差分法](Quarto/lecture06_panel_did.html) · 📖 [详细讲义](Quarto/lecture06_panel_did_notes.html) **2026-04-07** — 第五讲课件和详细讲义已发布！ 📊 [课件：工具变量法](Quarto/lecture05_Instruments.html) · 📖 [详细讲义](Quarto/lecture05_instruments_notes.html) **2026-03-30** — 第三、四讲课件和详细讲义已发布！ 📊 [第四讲课件](Quarto/lecture04_matching.html) · 📖 [讲义](Quarto/lecture04_matching_notes.html) 📊 [第三讲课件](Quarto/lecture03_dags.html) · 📖 [讲义](Quarto/lecture03_dags_notes.html) 第一、二讲课件和详细讲义已发布！ 📊 [第一讲课件](Quarto/lecture01_intro.html) · 📖 [讲义](Quarto/lecture01_notes.html) 📊 [第二讲课件](Quarto/lecture02_probability_regression.html) · 📖 [讲义](Quarto/lecture02_probability_regression_notes.html) </div> </details> ::: ::: ## 课程描述本课程系统介绍**因果推断**的理论基础与**机器学习**方法的结合，培养学生运用数据回答"为什么"的能力。课程分为两大模块： ### 模块一：经典因果推断方法（前8周） | 周次 | 主题 | 核心内容 | |:---:|:---|:---| | 1 | 课程导论 | 相关vs因果，潜在结果框架入门 | | 2-3 | 因果推断基础 | 潜在结果框架深入，混淆变量，识别策略 | | 4 | 匹配法 | 倾向得分匹配，精确匹配，重叠条件 | | 5-6 | 双重差分 | DID原理，平行趋势检验，动态效应 | | 7 | 合成控制法 | 合成控制原理，安慰剂检验 | | 8 | 工具变量法 | IV原理，2SLS，排他性约束 | ### 模块二：机器学习与因果推断（后6周） | 周次 | 主题 | 核心内容 | |:---:|:---|:---| | 9-10 | ML基础 | 回归，决策树，随机森林，交叉验证 | | 11-12 | 广义随机森林 | 异质性处理效应，置信区间 | | 13 | 因果森林 | 异质性分析，Policy Learning | | 14 | 双重机器学习 | Double ML，Neyman正交性 | | 15-16 | 项目答辩 | 期末展示与点评 | ## 为什么要学习因果推断？ ::: {.columns} ::: {.column width="50%"} ### 现实需求 - 营销投入**真的**带来销量增长了吗？ - 新产品上线**真的**提升了用户留存吗？ - 培训项目**真的**提高了员工绩效吗？ - 政策调整**真的**促进了经济发展吗？ ::: ::: {.column width="50%"} ### 技术趋势 - 🚀 AI时代的核心技能 - 📊 数据驱动决策的标配 - 🌍 学术界与业界的通用语言 - 💡 从“跑数据”到“洞察”的跃迁 ::: ::: ## 课程特色 ::: {.grid .gap-3} ::: {.g-col-4} ::: {.feature-box} ### 🤖 AI辅助编程传统编程与Vibe Coding结合，提升学习效率 ::: ::: ::: {.g-col-4} ::: {.feature-box} ### 🐍 Python + R 双语言实践，覆盖主流数据科学生态 ::: ::: ::: {.g-col-4} ::: {.feature-box} ### 📚 理论与实践经典方法与前沿ML方法并重，案例驱动 ::: ::: ::: ## 推荐教材 1. **Angrist & Pischke** (2020). 《基本无害的计量经济学》 2. **Huntington-Klein** (2022). *The Effect: An Introduction to Research Design and Causality* 3. **Chernozhukov et al.** (2024). *Applied Causal Inference Powered by ML and AI* ([在线阅读](https://causalml-book.org/)) 4. **Cunningham** (2021). *Causal Inference: The Mixtape* ([在线阅读](https://mixtape.scunning.com/)) 5. **James, Witten, Hastie, Tibshirani, Taylor** (2021). *An Introduction to Statistical Learning: with Applications in Python* ([在线阅读](https://www.statlearning.com/)) 6. **James, Witten, Hastie, Tibshirani** (2021). *An Introduction to Statistical Learning: with Applications in R* ([在线阅读](https://www.statlearning.com/)) ## 在线资源 - [Scikit-Learn文档](https://scikit-learn.org/stable/)（Python机器学习库） - [ISL-Python资源](https://www.statlearning.com/resources-python)（《统计学习导论》Python库） - [ISL-R资源](https://www.statlearning.com/resources-r)（《统计学习导论》R库） - [EconML文档](https://econml.azurewebsites.net/)（微软） - [DoubleML文档](https://docs.doubleml.org/) - [CausalML (Uber)](https://causalml.readthedocs.io/) - [课程Gitee仓库](https://gitee.com/zhiyuanryanchen/causal-inference-machine-learning) ## 开始学习 ::: {.learning-grid .text-center} ::: {.learning-grid-item} [📊 第一讲](Quarto/lecture01_intro.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第二讲](Quarto/lecture02_probability_regression.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第三讲](Quarto/lecture03_dags.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第四讲](Quarto/lecture04_matching.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第五讲](Quarto/lecture05_Instruments.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第六讲](Quarto/lecture06_panel_did.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📝 作业1](Assignments/assignment01_psm_did_monte_carlo.qmd){.btn .btn-secondary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第七讲](Quarto/lecture07_ml_basics.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第八讲](Quarto/lecture08_ml_basics_ii.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第九讲](Quarto/lecture09_grf.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第十讲](Quarto/lecture10_causal_forest.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第十一讲](Quarto/lecture11_dml.html){.btn .btn-primary .course-start-btn} ::: ::: {.learning-grid-item} [📊 第十二讲](Quarto/lecture12_ai_workflow.html){.btn .btn-primary .course-start-btn} ::: :::