课程大纲

Syllabus

课程基本信息

项目 内容
课程名称 机器学习与因果推断
英文名称 Machine Learning and Causal Inference
学分 3学分
授课时间 周一 14:00-16:30
授课地点 明德商学楼 0105
授课教师 陈志远
邮箱 chenzhiyuan@rmbs.ruc.edu.cn
办公室 919
Office Hours 周四 14:00-15:00

课程描述

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

模块一（前8周）：经典因果推断方法，包括潜在结果框架、匹配法、双重差分、合成控制法、工具变量法等经济学主流方法。

模块二（后6周）：机器学习与因果推断的结合，包括广义随机森林、因果森林、双重机器学习等前沿方法。

学习目标

完成本课程后，学生应能够：

  1. 理解相关性与因果性的区别，识别常见偏误来源
  2. 掌握潜在结果框架的核心概念
  3. 应用匹配法、DID、IV等方法进行因果效应估计
  4. 使用机器学习方法估计异质性处理效应
  5. 评估因果推断策略的合理性并进行稳健性检验
  6. 独立完成一个应用研究项目

考核方式

考核项目 占比 说明
平时表现 10% 出勤率 + 课堂参与
作业（4次） 40% 理论题 + 编程实践
期末项目 50% 小组研究项目 + 课堂答辩

作业安排

  • 作业1（第4周）：潜在结果框架与模拟分析
  • 作业2（第7周）：匹配法与双重差分应用
  • 作业3（第11周）：工具变量与合成控制
  • 作业4（第14周）：机器学习方法实践

期末项目

  • 组队：3-4人一组
  • 选题：选择真实商业或政策问题，应用课程方法进行分析
  • 要求：
    • 提交研究报告（3000-5000字）
    • 课堂展示（15分钟 + 5分钟问答）
    • 提供可复现的代码和数据

课程安排

模块一：经典因果推断方法

周次 日期 主题 内容要点 阅读材料
1 3/2 课程导论 相关vs因果，课程框架，潜在结果框架入门 MHE Ch.1-2
2 3/9 潜在结果框架 因果效应定义，识别假设，随机实验 MHE Ch.2
3 3/16 观察性研究 条件独立假设，重叠条件，反事实预测 MHE Ch.3
4 3/23 匹配法 倾向得分匹配，精确匹配，平衡检验 MHE Ch.3, Mixtape Ch.5
5 3/30 双重差分I DID原理，平行趋势假设，经典应用 MHE Ch.5, Mixtape Ch.9
6 4/6 双重差分II 交错DID，动态效应，稳健性检验 ACRE Ch.16
7 4/13 合成控制法 构造合成对照组，安慰剂检验，案例 Mixtape Ch.10
8 4/20 工具变量法 IV原理，2SLS，排他性约束，弱IV MHE Ch.4, Mixtape Ch.7

模块二：机器学习与因果推断

周次 日期 主题 内容要点 阅读材料
9 4/27 ML基础I 回归树，随机森林，交叉验证 ESL Ch.9, 15
10 5/4 ML基础II 梯度提升，正则化，模型选择 ESL Ch.10
11 5/11 广义随机森林 异质性处理效应，置信区间，应用 Athey & Wager (2019)
12 5/18 因果森林 异质性分析，Policy Learning Athey & Imbens (2016)
13 5/25 双重机器学习 Neyman正交性，去偏估计，高维控制 Chernozhukov et al. (2018)
14 6/1 前沿专题 因果推断与AI，大语言模型的应用 前沿论文
15 6/8 项目答辩I 小组展示与讨论 -
16 6/15 项目答辩II 小组展示与总结 -

MHE = Mostly Harmless Econometrics, Mixtape = Causal Inference: The Mixtape, ESL = Elements of Statistical Learning, ACRE = Applied Causal Inference Powered by ML and AI

推荐教材

主要教材

  1. Angrist, J.D. & Pischke, J.S. (2020). 《基本无害的计量经济学》. 中文版.
    • Mostly Harmless Econometrics: An Empiricist’s Companion. 英文原版.
  2. Huntington-Klein, N. (2022). The Effect: An Introduction to Research Design and Causality. Routledge.
  3. Chernozhukov, V., Hansen, C., Kallus, N., Spindler, M., & Syrgkanis, V. (2024). Applied Causal Inference Powered by ML and AI.

参考书目

  1. Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press.
  2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer.
  3. Imbens, G.W. & Rubin, D.B. (2015). Causal Inference in Statistics, Social, and Biomedical Sciences. Cambridge University Press.

软件与工具

编程语言

  • Python: scikit-learn, pandas, numpy, matplotlib, econml, doubleml
  • R: tidyverse, ggplot2, MatchIt, fixest, grf, DoubleML

环境设置

推荐使用以下方式之一：

  1. 本地安装: Anaconda + Jupyter Notebook/Lab
  2. 云端环境: Google Colab, Kaggle Notebooks
  3. 版本控制: Git + GitHub/Gitee

学术诚信

  • 作业可以讨论，但提交内容必须独立完成
  • 引用他人代码或成果必须明确标注来源
  • 抄袭（包括代码和文字）将导致该次作业零分
  • 期末项目鼓励团队合作，但需明确各成员贡献

课程政策

出勤

  • 出勤率计入平时成绩
  • 请假需提前邮件告知
  • 无故缺勤超过3次将影响平时成绩

作业提交

  • 通过课程网站或指定平台提交
  • 截止日期后每迟交一天扣10%
  • 迟交超过3天不予接受（特殊情况除外）

答疑

  • Office Hours: 周四 14:00-15:00，919办公室
  • 邮件: 通常24小时内回复
  • 讨论区: 课程网站设有讨论区，鼓励同学互助

更新日志

日期 更新内容
2026-03-04 网站上线，发布第一讲资料

本大纲可能在学期中根据实际情况进行调整，最新版本以课程网站为准。