什么是 R-Learner？
R-Learner 是一种因果元学习器，它通过正则化的正交损失，将残差化结果对残差化处理做回归，从而估计条件平均处理效应。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
残差化隔离与处理变化相关的结果变化
经验 R-loss 常写为 sum((Y-mhat(X))-(W-ehat(X))tau(X))^2，并可对 tau 加正则化。若把 tau 限制为常数，解就是残差原点回归的斜率；更灵活的学习器则拟合 X 的函数。Nie 与 Wager 将该结构与异质性效应的准 Oracle 估计联系起来。
交叉拟合避免干扰模型过拟合污染正交分数
使用灵活学习器时，结果与倾向预测通常应在折外生成。每个样本由未见过它的干扰模型打分，再汇总残差训练或调优效应模型。这能降低样本自身参与拟合造成的偏差，并支持理论误差控制，但无法补救遗漏混杂或错误纳入处理后变量。
损失函数会暴露重叠不足，也需要效应专属验证
当 W-e(X) 接近零时，样本几乎不提供局部处理对比，因此即使总样本量很大，重叠不足仍会削弱信息。可用诚实 R-loss 或处理效应验证程序调节正则强度，再检查分组校准、异质性检验、策略价值、不确定性与跨折稳定性，不能只按干扰模型预测精度选型。
主要特点
- 使用干扰模型同时残差化结果和二元处理
- 通过带正则的 R-loss 拟合效应函数
- 利用正交分数降低对一阶段误差的敏感度
- 允许干扰阶段与效应阶段使用多类监督学习器
- 处理残差很小时会自然暴露局部信息不足
- 依赖交叉拟合、重叠、因果识别与诚实调优
常见用途
- 用高维结果模型与倾向模型估计 CATE
- 比较残差型学习器与插补型 X-Learner
- 对稀疏或平滑的处理效应函数施加正则化
- 从随机实验或无混杂观测数据构建处理评分
- 检验灵活干扰模型是否改善与策略相关的异质性
示例
Loading code...常见问题
R-Learner 名称中的 R 代表什么？
R 指用于消除条件结果均值与处理倾向影响的 Robinson 变换。学习器不是独立拟合两套完整响应面，而是从剩余的结果残差与处理残差中估计处理效应。
R-Learner 与 X-Learner 有什么区别？
X-Learner 用另一处理组的响应预测插补效应，再拟合两套组内效应模型；R-Learner 则使用结果均值与倾向得分构造统一残差损失。二者在组间不平衡、重叠、干扰质量、效应复杂度与正则化方面具有不同表现。
R-Learner 是双重稳健估计器吗？
不能仅因它同时使用结果与倾向干扰模型就这样认定。R-Learner 的正交分数在条件成立时限制小型干扰误差的一阶影响；DR-Learner 使用双重稳健伪结果，其一致性论证与适用边界不同。
R-Learner 为什么需要交叉拟合？
灵活干扰模型可能记住训练样本，使残差被人为压小，或让残差与模型误差相关。交叉拟合用其他折训练的模型生成当前样本预测，降低泄漏，并让正交性论证在有限样本中更可靠。
如何调优与验证 R-Learner？
可以用留出或交叉拟合的 R-loss 调节效应模型复杂度，但还应检查分组处理效应校准、异质性检验、策略价值、不确定性、重叠与跨折稳定性。较低 R-loss 是有用证据，却不是逐人因果真值的直接观测。