在因果机器学习领域，准确估计处理效应（如平均处理效应 ATE）是关键目标，而 Neyman - 正交性与 Doubly Robust（DR）得分则是实现这一目标的核心支撑。本文基于 Lechner 和 Mareckova（2024）的《Comprehensive Causal Machine Learning》，系统梳理二者的核心逻辑与应用。
一、Neyman - 正交性：因果估计的 “抗干扰屏障”
Neyman - 正交性并非具体方法，而是一种保障因果估计稳健性的数学性质。其本质是：在识别目标因果参数（如 ATE、GATE、IATE）的矩条件中，干扰参数（倾向得分\(p(x)\)、结果回归函数\(\mu(x)\)）的估计微小扰动，不会对目标参数估计产生局部影响（Lechner & Mareckova, 2024）。
这一性质的核心价值在于，当使用机器学习模型（如随机森林、神经网络）估计干扰参数时，即便模型存在小幅拟合误差，也不会破坏目标因果参数（如 ATE）的估计一致性与推断有效性，为因果机器学习方法（如 Double Machine Learning，DML）的可靠性奠定基础（Lechner & Mareckova, 2024）。
二、DR 得分：承载 Neyman - 正交性的 “核心载体”
DR 得分是满足 Neyman - 正交性的具体函数形式，也是 DML 方法估计因果效应的核心工具，其构造直接服务于因果参数的准确识别。
1. DR 得分的核心公式
针对处理组\(m\)与对照组\(l\)的对比场景，DR 得分公式如下（Lechner & Mareckova, 2024）：
$ {m,l}^{dml}(O, {m,l}^{dml}(X)) = _m(X) - _l(X) + - $
其中：
\(O=(X,Y,D)\)：观测变量集合（\(X\)为特征、\(Y\)为结果、\(D\)为处理状态）；
\(\eta_{m,l}^{dml}(X)=(\mu_m(X), \mu_l(X), p_m(X), p_l(X))\)：需估计的干扰参数集合；
\(\mu_d(X)=E(Y | D=d, X=x)\)：给定特征与处理状态的结果条件期望（结果回归函数）；
\(p_d(X)=P(D=d | X=x)\)：给定特征时接受处理的概率（倾向得分）；
\(\mathbb{1}(\cdot)\)：指示函数（条件成立取 1，否则取 0）（Lechner & Mareckova, 2024）。
2. DR 得分的关键作用：精准识别因果参数
通过对 DR 得分取期望或条件期望，可直接识别不同粒度的因果参数，这也是其 “Doubly Robust” 命名的重要原因 —— 既依赖结果回归，也依赖倾向得分，双重保障识别准确性（Lechner & Mareckova, 2024）：
总体平均处理效应（ATE）：\(ATE(m,l) = E\left[\Gamma_{m,l}^{dml}\left(O, \eta_{m,l}^{dml,0}(X)\right)\right]\)（\(\eta^{0}\)为干扰参数真实值）；
组平均处理效应（GATE）：\(GATE(m,l;z) = E\left[\Gamma_{m,l}^{dml}\left(O, \eta_{m,l}^{dml,0}(X)\right) | Z=z\right]\)（\(Z\)为分组变量）；
个体平均处理效应（IATE）：\(IATE(m,l;x) = E\left[\Gamma_{m,l}^{dml}\left(O, \eta_{m,l}^{dml,0}(X)\right) | X=x\right]\)（Lechner & Mareckova, 2024）。
三、DR 得分的实际落地：交叉拟合（Cross-fitting）
在实际数据处理中，为避免过拟合并严格满足 Neyman - 正交性，DR 得分的估计需结合交叉拟合方法，具体步骤如下（Lechner & Mareckova, 2024）：
数据分折：将数据集划分为\(K\)个互斥子集（折）；
干扰参数估计：对第\(i\)个观测，使用除第\(k(i)\)折外的所有数据，估计干扰参数\(\hat{\eta}_{m,l}^{dml,-k(i)}(x_i)\)（避免用观测自身数据估计，减少偏差）；
得分计算与 ATE 估计：将估计的干扰参数代入 DR 得分公式，得到每个观测的估计得分\(\hat{\Gamma}_{m,l}^{dml}(o_i; \hat{\eta}_{m,l}^{dml,-k(i)}(x_i))\)，最终 ATE 的 DML 估计为所有得分的平均值：
$ ^{dml}(m,l) = {i=1}^N {m,l}^{dml}(o_i; _{m,l}^{dml,-k(i)}(x_i)) $
四、与其他方法的关联：以 Generalized Random Forest（grf）为例
DR 得分的核心逻辑并非局限于 DML 方法。研究表明，Generalized Random Forest（grf）的 ATE 估计得分与 DML 的 DR 得分完全等价，且同样满足 Neyman - 正交性，这使得 grf 的 ATE 估计也具备高效性与稳健性，进一步验证了 Neyman - 正交性与 DR 得分逻辑在因果机器学习中的通用性（Lechner & Mareckova, 2024）。
结语
Neyman - 正交性为因果估计提供了 “抗干扰” 的理论保障，而 DR 得分则是将这一理论落地的核心工具。二者的结合，既解决了机器学习估计干扰参数的误差传递问题，又实现了因果参数的精准识别，成为现代因果机器学习的基石。