什么是 X-Learner？
X-Learner 是一种因果元学习器，它先估计处理组与对照组响应面，再为两组样本分别插补处理效应、拟合组内效应模型并组合预测。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
插补把缺失的反事实对比变成两类学习问题
对处理组样本，插补效应为 D1=Y(1)-mu0(X)；对对照组样本，插补效应为 D0=mu1(X)-Y(0)。X-Learner 分别用它们拟合 tau1(X) 与 tau0(X)，常见组合式为 tau(X)=g(X)tau0(X)+(1-g(X))tau1(X)，其中 g 可取倾向得分。Künzel 等人 在介绍 S、T Learner 的同时提出了这一结构。
组间不平衡只有在结构有利时才可能成为优势
如果处理组很大，mu1 可能估计得更准确，可用于给较小的对照组插补效应；倾向权重随后提高对应效应模型的影响。对照组占多数时逻辑相反。收益依赖平滑或稀疏的处理效应、合适的底层学习器以及两组都有支持；极端倾向得分反而表示外推与识别不稳定。
诚实实现需要隔离干扰拟合与评估
灵活的响应、倾向与效应模型共享数据时，应采用交叉拟合或诚实样本切分。验证需覆盖分组效应、排序效应、策略价值、不确定性和稳定性，并与 S、T、R、DR Learner 及因果森林比较。必须报告不受支持的协变量区域，不能用虚构的逐人处理效应标签做准确率评估。
主要特点
- 分别拟合处理组与对照组响应面
- 在两个已观测处理组内构造插补效应标签
- 根据两组插补效应训练条件效应模型
- 使用声明清楚的协变量相关权重组合预测
- 在结构有利时可利用处理组样本量不平衡
- 仍会受到响应模型误差与重叠不足影响
常见用途
- 随机营销实验中留出对照组远小于处理组时估计增益
- 在不等分配比例的试验中建模异质性获益
- 比较基于插补的 CATE 模型与残差学习器
- 为容量有限的干预策略排序候选对象
- 研究简单效应面能否跨处理组借用信息
示例
Loading code...常见问题
X-Learner 名称中的 X 代表什么？
它的构造会在处理组之间交叉使用信息：每个已观测结果都与另一组响应模型的预测配对，从而插补效应。该名称用于区分 S 与 T Learner 等多阶段规则，并不只是指常用于表示协变量的字母 `X`。
X-Learner 在什么条件下表现较好？
当两组样本量不均衡、较大组可支持准确响应模型、处理效应比结果函数更平滑或简单，并且两组在目标协变量区域仍有充分支持时，它可能表现较好。这些条件需要诊断，不能仅凭样本量不平衡直接断言。
X-Learner 如何组合两套效应模型？
常见规则是 `g(x)tau0(x)+(1-g(x))tau1(x)`，其中 `g(x)` 取处理倾向得分，也可以使用其他预先声明的权重。该约定会提高那套依赖更充分对侧响应面进行插补的效应模型权重。
X-Learner 能解决处理组重叠不足吗？
不能。总体样本量不平衡与特定协变量处缺少支持不同。倾向得分接近 0 或 1 时，一侧反事实响应属于外推；此时限制目标人群、修剪、重新收集数据或拒绝估计，通常比依赖模型补全更可信。
应该如何验证 X-Learner？
应使用留出或交叉拟合的分组效应、校准与异质性检验；排序任务可检查 uplift 或秩加权曲线，并同时评估策略价值、不确定性、重叠与跨折稳定性。还需与简单 S/T Learner 和正交方法比较，而不能只看结果预测精度。