更改

[https://pattern.swarma.org/study_group_issue/212 集智×DataFun合作论坛：因果推断在工业界的应用 | 因果科学第三季第十九期 - 因果科学与Causal AI读书会第三季]

[https://pattern.swarma.org/study_group_issue/212 '''集智×DataFun合作论坛：因果推断在工业界的应用 | 因果科学第三季第十九期 - 因果科学与Causal AI读书会第三季''']

估计异质因果效应，即条件平均因果效应(Conditional Average Causal Effect, CATE)，一直以来都是因果推断研究的重要组成。基于树模型的估计 CATE 的方法在学术界被广泛研究，其中最有代表性的是斯坦福大学经济学教授 Susan Athey 的系列工作，包括因果树、因果森林和广义随机森林。广义随机森林 (因果森林是它的特例)和普通的随机森林最大的区别在于，它是从局部加权估计的角度而不是集成方法的角度来解释的。这种基于森林的临近权重让其相对于其它方法具备灵活性，自适应性和易用性等优点。此外, 它基于局部矩方程的估计量还具备良好的统计性质。近年来，它们更是被广泛应用在工业界互联网商业平台的营销活动中, 可以有效地提高用户参与度和平台收入，例如阿里巴巴和亚马逊的优惠券, 共享乘车优步和滴滴的折扣券，抖音的视频观看金币激励等。估计用户对激励的敏感度 (即 CATE) 是个性化激励关键的第一步。所以因果森林是同时在学术界和工业界都是非常有影响力的工作。

估计异质因果效应，即条件平均因果效应(Conditional Average Causal Effect, CATE)，一直以来都是因果推断研究的重要组成。基于树模型的估计 CATE 的方法在学术界被广泛研究，其中最有代表性的是斯坦福大学经济学教授 Susan Athey 的系列工作，包括因果树、因果森林和广义随机森林。广义随机森林 (因果森林是它的特例)和普通的随机森林最大的区别在于，它是从局部加权估计的角度而不是集成方法的角度来解释的。这种基于森林的临近权重让其相对于其它方法具备灵活性，自适应性和易用性等优点。此外, 它基于局部矩方程的估计量还具备良好的统计性质。近年来，它们更是被广泛应用在工业界互联网商业平台的营销活动中, 可以有效地提高用户参与度和平台收入，例如阿里巴巴和亚马逊的优惠券, 共享乘车优步和滴滴的折扣券，抖音的视频观看金币激励等。估计用户对激励的敏感度 (即 CATE) 是个性化激励关键的第一步。所以因果森林是同时在学术界和工业界都是非常有影响力的工作。