想象一个场景：深夜加班回家，你既依赖自己多年积累的城市记忆（知道哪条路近、哪里该拐弯），又打开手机导航（实时路况、封路提醒）。如果记忆出现了偏差——比如新修的高架改变了路况——导航会及时纠正你；如果导航信号失灵，你对城市布局的熟悉感也能带你绕回正轨。只要两个信息来源中有一个是可靠的，你就有把握平安到家。 因果推断中的“双重稳健估计”解决的是同一个问题：我们要估量某项处理效应（新药是否有效、政策是否带来改变），但数据里总是藏着“混杂”。你既可以通过“结果模型”去预测每个人的潜在结果，也可以通过“倾向得分模型”去判断谁更可能接受处理。关键在于——这两种策略是并存的双保险，只要有一个模型设定正确，就能对因果效应给出无偏的估计。这就是“双重稳健”的深层含义，也是现代因果推断中最值得信赖的策略之一。

岗位关联

掌握双重稳健估计，是成为成熟因果推断工程师的关键一步：在实际数据中模型误设不可避免，这项技术赋予你面对错误假设时的鲁棒性，让你的因果结论在政策评估、医药效应、业务归因等场景中都站得住脚。

目录
  1. 可视化演示
  2. 概念定位
  3. 两大支柱
  4. 核心公式
  5. 实现步骤
  6. 对比优势
  7. 实践应用
  8. 局限反思
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示双重稳健估计如何融合结果模型与倾向得分模型实现冗余设计，偏差乘积结构保证任一正确即无偏，并对比IPW和回归调整的优势。

本节配有交互动效（进入视口后自动加载，约 3KB）。

概念定位

深夜的城市的哥之所以能把你安全送达，靠的不是单一本领——他不只依赖脑中的“活地图”，也不只依赖车载导航的“电子眼”。这两种能力互为备份，缺了任何一个，他依然能完成任务。因果推断里的双重稳健估计，正是把这种“互为备份”的智慧搬进了统计学。

传统因果推断常走两条路：一条是“回归调整”——建一个模型直接预测结果，像依靠记忆估算到达时间；另一条是“逆概率加权”——用倾向得分来平衡各组样本，像通过实时路况调整路线。问题是，单独走任何一条路，一旦这条路的大前提（模型设定）有误，估计就会偏。

双重稳健估计的策略是：两条路同时走。它同时构建结果模型和倾向得分模型，在最终估计中让二者互相纠错。只要其中一个模型设定正确，整体估计就是无偏的。这种冗余设计，把“单点脆弱”变成了“双点强壮”。

回到的哥的比喻：回归调整相当于“记忆估算”，倾得得分相当于“导航修正”。单独看任何一个，都可能因路况误判而出错。双重稳健把两者用特殊方式缝合——你听导航选了一条路线，但同时用记忆里的地标确认方向正确。

τ^DR=1n∑i=1n[TiYie^(Xi)−(1−Ti)Yi1−e^(Xi)]\hat{\tau}_{DR} = \frac{1}{n} \sum_{i=1}^{n} \left[ \frac{T_i Y_i}{\hat{e}(X_i)} - \frac{(1 - T_i)Y_i}{1-\hat{e}(X_i)} \right]
这个公式看似只用了倾向得分，实则内部嵌入了结果模型的修正——它把两条路线合并在了一起。
  1. 样本均值对每个样本的“贡献值”取平均，得到全体的平均处理效应。
    1n∑i=1n\frac{1}{n} \sum_{i=1}^{n}
  2. 处理组加权对接受处理的人，用其实际结果除以倾向得分，放大那些“容易混淆却被观测到”的样本。
    TiYie^(Xi)\frac{T_i Y_i}{\hat{e}(X_i)}
  3. 对照组加权对未接受处理的人，用其实实际结果除以“未处理概率”，形成对称的另一半。
    (1−Ti)Yi1−e^(Xi)\frac{(1 - T_i)Y_i}{1-\hat{e}(X_i)}
  4. 两者相减处理组与对照组的加权平均差，就是我们要找的因果效应。
    [处理组项−对照组项]\left[ \text{处理组项} - \text{对照组项} \right]

两大支柱

任何一个双重稳健估计都建筑在两根柱子上：结果模型与倾向得分模型。这两根柱子承担着不同的任务，却共同托举起最终估计的可信度。

结果模型（Outcome Model）是一台“预测机器”：给定个体特征 \(X\) 和处理状态 \(T\)，它预测潜在结果 \(Y\)。这有点像你凭借对城市各区域的经验，预测“走A路线需要 40 分钟，走B路线需要 50 分钟”。在使用中，结果模型通常用线性回归、梯度提升树等任何能输出条件期望的模型来实现。

倾向得分模型（Propensity Score Model）是一台“概率称量器”：它测量一个人在被观测到的特征下，接受处理的概率是多少。直觉上，这对应着“在这个路口，导航显示左转的概率有多高”。倾向得分通常由逻辑回归估计：

这两根支柱存在于同一座建筑里，相互独立又互为备援。最终估计的性质保证是：只要两根柱子里有一根是完好的，整座建筑就不会坍塌。

“两根柱子”思想的必要性很直观：现实数据中，我们永远无法保证某个模型设定完全正确——比如漏了交互项或非线性关系。只要两根柱子中有一根还立着，就不至于全盘崩塌。这正是 “double robust“ 里 ”double” 的深意——互为备份。

e^(Xi)=P(Ti=1∣Xi)=11+e−Xiβ\hat{e}(X_i) = P(T_i = 1 \mid X_i) = \frac{1}{1 + e^{-X_i \beta}}
  1. 概率表达倾向得分的定义是给定协变量后接受处理的概率，是条件概率的缩写。
    P(Ti=1∣Xi)P(T_i = 1 \mid X_i)
  2. Sigmoid 变换把任意实值线性组合映射到 (0,1) 区间，使它能被理解为概率。
    11+e−Xiβ\frac{1}{1 + e^{-X_i \beta}}
  3. 参数 \(\beta\)通过最大似然让预测概率最大程度贴近实际处理分配。
    Xiβ=β0+β1Xi1+⋯+βpXipX_i \beta = \beta_0 + \beta_1 X_{i1} + \cdots + \beta_p X_{ip}

核心公式

将两大支柱真正“焊接”在一起，需要一个巧妙的数学操作。双重稳健估计的出现，源于对两个单独估计量（回归调整法 RA 和逆概率加权法 IPW）的缺陷反思：RA 在结果模型误设时偏差大，IPW 在倾向得分模型误设时波动剧烈。研究者想到——能否构造一个“即便其中一个错了也不塌”的缝合体？

答案就是所谓“增强的”逆概率加权估计量，它的核心公式如下：

这个公式看起来吓人，但其实逻辑很简单：它从纯 IPW 出发，减掉（或加上）一个“残差修正项”——当结果模型拟合得好时，这个修正项可以减少 IPW 的偏差；当倾向得分拟合得好时，修正项自身趋于零，不添乱。

这份长公式的意义不是“复杂”，而是“对称”。它像一杆精准的秤——一端是 IPW 的粗糙估计，另一端是结果模型的精细修正。两端互相平衡，任何一端稍有失准，另一端就把天平拉回正道。

τ^DR=1n∑i=1n[TiYie^(Xi)−(1−Ti)Yi1−e^(Xi)]−1n∑i=1n[(Ti−e^(Xi))e^(Xi)μ^1(Xi)]+1n∑i=1n[(Ti−e^(Xi))1−e^(Xi)μ^0(Xi)]\hat{\tau}_{DR} = \frac{1}{n} \sum_{i=1}^{n} \left[ \frac{T_i Y_i}{\hat{e}(X_i)} - \frac{(1 - T_i)Y_i}{1 - \hat{e}(X_i)} \right] - \frac{1}{n} \sum_{i=1}^{n} \left[ \frac{(T_i - \hat{e}(X_i))}{\hat{e}(X_i)} \hat{\mu}_1(X_i) \right] + \frac{1}{n} \sum_{i=1}^{n} \left[ \frac{(T_i - \hat{e}(X_i))}{1 - \hat{e}(X_i)} \hat{\mu}_0(X_i) \right]
专业上称这种性质为 "double robustness"：只要 \(\hat{\mu}_1(X)\)、\(\hat{\mu}_0(X)\) 与 \(\hat{e}(X)\) 中有一对正确（即结果模型正确，或倾向得分正确），\(\hat{\tau}_{DR}\) 就保持一致性收敛到真实效应。
  1. IPW骨架项前两项构造了按倾向得分倒权重的处理组与对照组均值差。
    1n∑i=1n[TiYie^(Xi)−(1−Ti)Yi1−e^(Xi)]\frac{1}{n}\sum_{i=1}^{n}\left[\frac{T_i Y_i}{\hat{e}(X_i)} - \frac{(1-T_i)Y_i}{1-\hat{e}(X_i)}\right]
  2. 处理组修正项当模型高估或低估结果时，对处理组加权残差进行修正。
    −1n∑i=1n[Ti−e^(Xi)e^(Xi)μ^1(Xi)]- \frac{1}{n}\sum_{i=1}^{n}\left[\frac{T_i - \hat{e}(X_i)}{\hat{e}(X_i)} \hat{\mu}_1(X_i)\right]
  3. 对照组修正项对未处理组的类似修正，补足了另一侧的信息。
    +1n∑i=1n[Ti−e^(Xi)1−e^(Xi)μ^0(Xi)]+ \frac{1}{n}\sum_{i=1}^{n}\left[\frac{T_i - \hat{e}(X_i)}{1-\hat{e}(X_i)} \hat{\mu}_0(X_i)\right]

实现步骤

了解了理论，实际操作中如何“跑”一个双重稳健估计？整个过程只有四步，每一步都在往最终答案添加一块拼图。

第一步：拟合结果模型。 分别对处理组和对照组拟合 \(Y\) 对 \(X\) 的预测模型，得到 \(\hat{\mu}_1(X)\) 和 \(\hat{\mu}_0(X)\)。这相当于：分别问“习惯了走 A 路线的人通常要多久”和“走 B 路线的人通常要多久”。

第二步：估计倾向得分。 用逻辑回归等分类器拟合 \(T\) 对 \(X\) 的模型，得到每个样本的 \(\hat{e}(X_i)\)。这相当于：计算每个路口“被导航选中”的概率是多少。

第三步：构造伪观测值。 把两个模型的信息叠加——构造一个“我虽然不是被处理的人，但如果我处理了会怎样”的假想观测。

第四步：取平均得到效应。 对所有伪观测取均值，就是平均处理效应 ATE 的双重稳健估计。在实际代码中，这通常通过回归或者加权循环实现。

四步走完，你手头就有了一个既聪明又稳妥的估计。用导航的话说：第一步查地图（结果模型），第二步看信号（倾向得分），第三步合成路线（伪观测），第四步到达目的地（效应估计）。

e^(Xi)=11+exp⁡(−Xiβ^)\hat{e}(X_i) = \frac{1}{1 + \exp(-X_i \hat{\beta})}
Y~i=μ^0(Xi)+Ti(Yi−μ^0(Xi))e^(Xi)\tilde{Y}_i = \hat{\mu}_0(X_i) + \frac{T_i (Y_i - \hat{\mu}_0(X_i))}{\hat{e}(X_i)}
  1. 预测未处理基线先用结果模型给出“未处理状态”下的预期结果。
    μ^0(Xi)\hat{\mu}_0(X_i)
  2. 添加修正增量处理组的实际残差按倾向得分加权后，作为调整量被加入。
    Ti(Yi−μ^0(Xi))e^(Xi)\frac{T_i (Y_i - \hat{\mu}_0(X_i))}{\hat{e}(X_i)}
  3. 合并为伪观测把基线与增量相加，得到一个既含结果模型、又含倾向得分的复合值。
    Y~i=μ^0(Xi)+Ti(Yi−μ^0(Xi))e^(Xi)\tilde{Y}_i = \hat{\mu}_0(X_i) + \frac{T_i(Y_i - \hat{\mu}_0(X_i))}{\hat{e}(X_i)}

对比优势

为什么要费这么大力气构建双重稳健估计？因为它和单独的方法相比，在“抗错能力”上明显更胜一筹。让我们用竞赛的方式直观比较三位选手。

选手一：单纯回归调整（Reg-Adjustment）。 它只依赖结果模型。如果结果模型的函数形式设定错误（比如真实关系非线性你却用了线性），估出的效应就会出现系统性偏差——像是一个只靠记忆、不查导航的司机，一旦城市改建，记忆就失效了。

选手二：单纯逆概率加权（IPW）。 它完全依赖倾向得分模型。如果倾向得分模型设定错误（比如遗漏了关键特征），极端权重会导致估计方差很大、结果极不稳定——像是一个只靠导航、毫无城市感觉的人，一旦信号飘忽，就原地打转。

选手三：双重稳健估计。 它给两位选手上了一道“双保险”。只要结果模型或倾向得分模型中任意一个正确，估计就保持无偏：

| 情景 | 结果模型 | 倾向得分模型 | 双重稳健估计 |

|------|----------|--------------|----------------|

| 状况一 | 正确 | 正确 | 无偏 ✅ |

| 状况二 | 错误 | 正确 | 无偏 ✅ |

| 状况三 | 正确 | 错误 | 无偏 ✅ |

| 状况四 | 错误 | 错误 | 有偏 ❌ |

Bias(τ^DR)→0若μ^t→μt或e^→e\text{Bias}(\hat{\tau}_{DR}) \to 0 \quad \text{若} \quad \hat{\mu}_t \to \mu_t \quad \text{或} \quad \hat{e} \to e

这就是“稳健性”的来源——它能同时吸收来自两个模型的错误，却只保留其中一个正确时的正确性。

实践应用

理论上的“双保险”风格，在实际工作中意味着什么？让我们看看三个真实战场。

政策评估。 政府想知道一项再就业培训计划是否真的提高了收入。在这里，是否参加培训并非随机——更有动力的人更容易参加。分析者用倾向得分模型估计每个人参训的概率，再用结果模型预测未参训者若参训的收入。只要其中一个模型（参训概率或收入预测）建得合理，双重稳健估计就能给出可信的政策效应。这是公共政策中 RCT 不可行时最可靠的替代品。

医学研究。 在观察性数据中评估某种新药对患者生存时间的影响时，病情严重程度同时影响用药决定和生存结果。研究者可以建立疾病严重程度到用药概率的倾向得分模型，以及匹配的生存结果模型。任何一个模型只要考虑到了足够的关键混杂因素，疗效结论就比单靠回归调整可信得多。真实世界证据研究（RWE）中这种方法已经写入行业指南。

商业决策。 产品团队想判断“用户是否使用了新功能”对其留存率的影响。这里的偏差在于：活跃用户更可能看到并启用新功能。通过双重稳健估计，数据处理者可以把活跃度特征纳入两个模型，只要其中一个捕捉了活跃度对留存的完整效应，商业归因的结论就不再那么容易被“活跃用户偏差”污染。

围绕这三个场景的共同规律是：在观测数据中做因果推断，“混淆”是普遍存在的，任何单一模型的设定都可能有问题——双保险是低成本降低风险的选择。

局限反思

任何工具都有边界。双重稳健估计不是万能的，它的名字里的“稳健”也带着前提条件。坦诚地了解这些局限，才能在应用时不做盲目的信徒。

第一重局限：两个模型同时误设。 如果结果模型和倾向得分模型都错得离谱，双重稳健估计依然会有偏。就如同深夜的哥既记错了路线、导航又用了过期地图——双保险也需要至少一个来源是真实可靠的。经验上，我们能做的是让两个模型的设定尽量多样化：一个用线性模型，一个用树模型，从不同角度逼近真相。

这意味着：两个小误差可能复合为不可忽略的偏差。偏差的乘积效应提醒我们，好的实践是在两个模型上都投入精力，而不是赌其中某个一定正确。

第二重局限：极端权重不稳定。 当倾向得分接近 0 或 1 时，逆概率权重会变得极大，少数样本主导估计结果。这时虽然理论上无偏，但方差变得很大——相当于导航给出一条捷径，但这条路上全是坑。

第三重局限：诊断工具必不可少。 实践中应使用信赖区间叠加、倾向得分重叠图、伪结果检验等方法，持续拷问估计结果是否是“双重”的侥幸胜利。总结一句话：以双保险为设计哲学，以诊断为日常习惯——这才是因果推断者的职业素养。

Bias(τ^DR)≈来自结果模型的偏差×来自倾向得分的偏差\text{Bias}(\hat{\tau}_{DR}) \approx \text{来自结果模型的偏差} \times \text{来自倾向得分的偏差}

AI 应用场景

场景一：政策效应评估

阶段：因果效应估计 / 政策评估模型

解决的问题：传统政策分析中，参与者往往自选进入项目，直接用结果对比会产生选择偏差。回归调整过分依赖模型设定正确性。双重稳健估计同时使用结果模型与倾向得分模型，任何一方模型误设时结论依然可信。

具体案例：某城市推出一项职业技能培训补贴政策，需要评估其对低收入人群 12 个月后收入的影响。数据包含上千个特征（年龄、教育、区域经济指标等）。数据团队用 LightGBM 拟合结果模型，用逻辑回归拟合倾向得分模型，最终用双重稳健公式估计出培训的平均处理效应，并给出置信区间，为决策提供了稳健的量化依据。

场景二：医学观察性研究

阶段：真实世界证据（RWE）因果分析

解决的问题：临床试验之外，电子病历数据中存在大量混杂因素（病情严重程度、合并用药等）。单一倾向得分匹配会产生大量样本浪费且对模型敏感。双重稳健估计能够利用全部样本并同时控制两类混杂。

具体案例：研究团队分析电子病历中某降糖药对心血管事件风险的影响。他们建立两个独立模型：一个预测“用药概率”（倾向得分，基于病历特征）；一个预测“心血管事件风险”（结果模型）。通过双重稳健加权，团队在两组模型可能各有瑕疵的情况下，仍给出了稳健的风险比估计，被后续前瞻性研究证实。

场景三：商业增长归因

阶段：用户行为因果归因

解决的问题：产品经理想判断“推送个性化优惠券”是否提升用户月活。活跃用户更容易收到券也更容易活跃，直接对比不可行。单纯 IPW 在倾向得分极端时方差大。双重稳健估计在业务数据集上输出稳定的归因结论。

具体案例：某电商平台对用户随机抽样发放优惠券，同时记录非随机部分的自然使用行为。增长团队利用双重稳健估计，将“领取行为”建模为协变量的函数（倾向得分），将“月活预测”建模为结果模型，合并后得到优惠券的真实增量价值，驱动了下一季度预算分配。

Python 演示

python69 行
import numpy as npfrom sklearn.linear_model import LogisticRegression, LinearRegression  def generate_data(n=2000, seed=42):    """生成带混淆的观测数据：处理分配受X影响，结果也受X影响"""    rng = np.random.default_rng(seed)    X = rng.normal(size=(n, 2))    # 处理分配逻辑：真正由X决定，但我们用线性模型拟合    logit = 0.5 * X[:, 0] - 0.8 * X[:, 1]    T = rng.binomial(1, 1 / (1 + np.exp(-logit)))    # 结果：X和T共同决定，包含非线性项来制造模型误设    Y = 1.0 + 2.0 * X[:, 0] + 0.5 * X[:, 1] + 0.8 * T + 0.6 * X[:, 0] ** 2 + rng.normal(size=n)    return X, T, Y  def true_ate(X):    """真实平均处理效应为0.8（T的系数）"""    return 0.8  def estimate_ra(X, T, Y):    """纯回归调整：用线性模型估计结果，取两组预测差"""    model = LinearRegression().fit(np.column_stack([np.ones(len(X)), X, T]), Y)    X1 = np.column_stack([np.ones(len(X)), X, np.ones(len(X))])    X0 = np.column_stack([np.ones(len(X)), X, np.zeros(len(X))])    return np.mean(model.predict(X1) - model.predict(X0))  def estimate_ipw(X, T, Y):    """纯逆概率加权：用倾向得分倒权重"""    ps_model = LogisticRegression(max_iter=1000).fit(X, T)    ps = ps_model.predict_proba(X)[:, 1]    w = T / ps + (1 - T) / (1 - ps)    return np.mean(T * Y * (1 / np.clip(ps, 0.01, 0.99))) - np.mean(        (1 - T) * Y * (1 / np.clip(1 - ps, 0.01, 0.99))    )  def estimate_dr(X, T, Y):    """双重稳健估计：结果模型 + 倾向得分，任一正确即可"""    ps_model = LogisticRegression(max_iter=1000).fit(X, T)    ps = np.clip(ps_model.predict_proba(X)[:, 1], 0.01, 0.99)     # 结果模型：分别拟合处理组与对照组    model1 = LinearRegression().fit(X[T == 1], Y[T == 1])    model0 = LinearRegression().fit(X[T == 0], Y[T == 0])    mu1 = model1.predict(X)    mu0 = model0.predict(X)     # 双重稳健公式（AIPW形式）    tau = np.mean(        mu1 - mu0        + T * (Y - mu1) / ps        - (1 - T) * (Y - mu0) / (1 - ps)    )    return tau  if __name__ == "__main__":    X, T, Y = generate_data()    print("=" * 50)    print("真实ATE:", true_ate(X))    print("回归调整估计:", round(estimate_ra(X, T, Y), 3))    print("IPW估计:", round(estimate_ipw(X, T, Y), 3))    print("双重稳健估计:", round(estimate_dr(X, T, Y), 3))    print("=" * 50)    print("注：数据含非线性项，线性结果模型误设；")    print("但线性倾向得分模型正确，双重稳健估计仍接近真实值。")
目的：在含非线性结果的数据中比较三种估计量，演示双重稳健估计在结果模型误设时依然保持低偏差。
  1. rng.binomial(1, 1 / (1 + np.exp(-logit)))生成由协变量决定的处理分配，制造“混淆”。
  2. Y = 1.0 + 2.0 * X[:, 0] + ... + 0.6 * X[:, 0] ** 2结果中加入非线性项，让纯线性模型系统误设。
  3. estimate_ra` 中 `model.predict(X1) - model.predict(X0)用“全体当作处理组”与“全体当作对照组”的预测差来估计因果效应。
  4. ps_model = LogisticRegression().fit(X, T)拟合倾向得分模型，把处理分配概率看成协变量的函数。
  5. np.clip(ps, 0.01, 0.99)防止倾向得分极端接近 0 或 1 导致权重爆炸。
  6. tau = np.mean(mu1 - mu0 + T*(Y-mu1)/ps - (1-T)*(Y-mu0)/(1-ps))双重稳健估计的核心一行：基线预测差 + 加权残差修正。
  7. generate_data(seed=42)固定随机种子，确保结果可复现。

常见误区

误区我以为双重稳健估计需要结果模型和倾向得分模型都设定正确才有用。如果有一个不对，结果就废了。

正解恰恰相反，“双重稳健”的核心含义是：只要其中一个模型正确，估计就是无偏的。它并非要求两个都对，而是利用冗余设计对冲单一模型的风险。正如回家的路上，记忆和导航只要有一个靠谱，你就能到家。两个都正确当然更好，但那不是使用前提。

为何常见：“双重”这个词容易让人误解为“双重正确”才有效，而忽略了“双重保险”的本义是“至少一重有效”。

误区听说双重稳健是“前沿方法”，就觉得它给出的效应值一定是真相，不需要再检查。

正解它有明确的失效边界——当结果模型和倾向得分模型同时误设时，偏差依然存在，而且是两者的乘积效应。同时，极端权重会导致方差不稳定。它只是“更稳”，不是“绝对准”。稳健估计后仍需做敏感性分析和诊断检验。

为何常见：方法论越高级，越容易让人产生“万能工具”的错觉，忽视前提条件。

误区既然只要一个模型对就行，那我两个模型都随便跑跑，反正有一个能对吧？

正解现实是你不知道哪个模型是对的，更不可能预判哪一个会碰巧正确。如果两个模型都基于同样的错误假设（比如都忽略了同一个关键变量），双方会“同向偏差”，双保险就失效了。好的实践是用不同的模型族、不同的变量组合来构建两个模型，增加互补性。

为何常见：把“只要一个是正确的”误读成了“不保证我是正确的也没关系”——忽略了现实中你通常不知道哪个更接近真相。

误区双重稳健估计就是用倾向得分倒权重做加权平均，和IPW差不多。

正解IPW只有“倾向得分”一根柱子，它完全依赖倾向得分模型的正确性。双重稳健在此基础上增加了结果模型的残差修正项，正因为有这个修正项的存在，才让“结果模型正确”这一路也能兜底。两者结构相似，底层哲学完全不同——一个单保险，一个双保险。

为何常见：双重稳健公式的前半段确实是 IPW 的骨架，看起来像“加强版 IPW”，容易让人忽略它的后半段修正项才是精髓。

面试题

Q1. “双重稳健估计”名称中的“双重”指的是什么？

单选题 · easy

  • A.同时使用两个不同的数据集
  • B.同时构建结果模型与倾向得分模型，任一正确即可无偏← 正确答案
  • C.对估计结果做两次加权平均
  • D.同时使用参数与非参数两种方法

答案：B。双重稳健的核心是“双模型”冗余设计：结果模型和倾向得分模型是两根柱子，任一正确就能保证因果效应估计的无偏性。选项A说的是数据来源，C只是数值操作，D是方法族分类，均不触碰“双保险”的本质。

Q2. 倾向得分 \(e(X)\) 的定义是什么？

单选题 · easy

  • A.个体在接受处理后的结果概率
  • B.给定协变量 \(X\) 时接受处理的概率 \(P(T=1|X)\)← 正确答案
  • C.结果变量 \(Y\) 的边缘分布
  • D.处理变量 \(T\) 的方差

答案：B。倾向得分本质上是一个条件概率——在观测到的特征 \(X\) 下，个体被“分配到处理组”的概率。它像导航对某个路口“左转概率”的估计，是平衡两组样本的关键工具。

Q3. 当结果模型正确但倾向得分模型误设时，双重稳健估计的表现是？

单选题 · mid

  • A.一定有偏
  • B.仍然无偏← 正确答案
  • C.方差一定为零
  • D.无法计算

答案：B。“只要有一个模型正确”正是双重稳健的性质保证。结果模型正确时，残差修正项会补偿倾向得分的错误，整体估计依然收敛到真实效应——就像记忆可靠时，导航信号飘忽也不影响到家。

Q4. 双重稳健估计中，IPW骨架项的公式作用是？

单选题 · mid

  • A.消除所有随机噪声
  • B.通过倒权重平衡处理组与对照组的协变量分布← 正确答案
  • C.增加样本量
  • D.缩小置信区间

答案：B。IPW骨架项通过倾向得分倒权重，重新加权处理组与对照组，使两组的协变量分布“看起来像随机试验”。它解决了观测数据中“谁被处理不是随机的”这一根本问题。

Q5. 以下哪些是双重稳健估计相比单一方法的优势？

多选题 · mid

  • A.对模型误设的容忍度更高← 正确答案
  • B.结果模型正确时仍能无偏← 正确答案
  • C.倾向得分正确时仍能无偏← 正确答案
  • D.无论两个模型是否正确都无偏

答案：ABC。选项A/B/C都是双重稳健的性质：双保险降低了对单一模型的依赖，把“必须命中一个”替换为“命中任意一个即可”。选项D说法错误——当两个模型同时误设，估计依然会产生偏差。

Q6. 双重稳健估计的偏差在“双模型同时误设”时近似等价于？

单选题 · hard

  • A.结果模型偏差与倾向得分偏差之和
  • B.结果模型偏差与倾向得分偏差之差
  • C.结果模型偏差与倾向得分偏差的乘积← 正确答案
  • D.常数

答案：C。理论上的偏差表达式是两项偏差的乘积项占主导。这意味着两个小偏差可能放大为不可忽略的偏差。也因此两个模型的设定不能“同病相怜”——要尽量互补，不能同时忽略同一个关键混杂。

Q7. 双重稳健估计中，用逻辑回归拟合的是什么？

单选题 · easy

  • A.结果模型 \(E[Y|X,T]\)
  • B.倾向得分模型 \(P(T=1|X)\)← 正确答案
  • C.工具变量 \(Z\)
  • D.协变量的主成分

答案：B。逻辑回归是估计倾向得分最常用的工具——把处理状态 \(T\) 作为因变量，协变量 \(X\) 作为自变量，输出的概率即为倾向得分估计。它衡量的是“谁更可能被分配到处理组”。

Q8. 若倾向得分接近 0 或 1，双重稳健估计将面临什么问题？

单选题 · mid

  • A.偏差一定消除
  • B.极端权重导致方差增大← 正确答案
  • C.结果模型自动修正
  • D.无任何影响

答案：B。倾向得分接近极端值时，倒权重会极大，个别样本主导估计结果。虽然可能依然无偏，但方差变得很大，结论不稳定。实践中常用裁剪（clipping）或重叠检查来应对。

Q9. 在拟合双重稳健估计的两个模型时，合理的做法包括？

多选题 · mid

  • A.两个模型使用相同变量和相同模型族
  • B.两个模型采用不同模型族增加互补性← 正确答案
  • C.检查倾向得分重叠情况← 正确答案
  • D.对极端倾向得分进行裁剪← 正确答案

答案：BCD。互补性让两个模型有各自独立的“知识盲区”，避免同向错误；重叠检查和裁剪是应对极端权重的标准操作。选项A会导致两个模型的错误高度相关，削弱双保险的价值。

Q10. 双重稳健估计在纯回归调整上的关键改进是什么？

单选题 · hard

  • A.增加了结果模型的非线性项
  • B.增加了倾向得分加权的残差修正项← 正确答案
  • C.消除了对协变量的所有依赖
  • D.用贝叶斯方法替代频率派

答案：B。回归调整只依赖结果模型“一根柱子”。双重稳健在结果模型预测的基础上，额外加上倾得分数加权的残差修正项，从而把“结果模型正确”或“倾向得分正确”任一条件转化为无偏性的保障——这是从单保险到双保险的本质跃迁。