用途：本资料围绕因果推断，说明如何在只有观测数据、无法做随机实验时，判断“什么导致什么”并估计处理效应，用于政策干预、业务决策、营销活动或产品改动的效果评估。
主要概念与方法：核心概念包括处理（Treatment）、结果（Outcome）、混杂（Confounding）、因果图（DAG）、处理效应和选择偏差。方法涵盖随机对照试验（RCT）、倾向得分匹配、双重差分、工具变量、因果森林等。
必要用法：资料给出 Python 示例，使用 pandas、numpy、matplotlib、seaborn、sklearn、scipy 等库。示例流程为：用 LogisticRegression 估计倾向得分，进行匹配；用 LinearRegression 做协变量调整；按倾向得分分层；用 RandomForestRegressor 做双重稳健估计；按年龄分位分析异质处理效应；并输出敏感性分析与因果图文本表示。命令与代码保持原样，如 import pandas as pd、from sklearn.linear_model import LinearRegression, LogisticRegression。
适用场景：评估政策干预影响；在实验不可行时估计处理效应；在观测数据中控制混杂；判断营销或产品改动是否带来结果变化；分析不同用户群体的异质处理效应。
限制与假设：需满足无混杂、重叠（共同支撑）、SUTVA、一致性等假设；资料未提供具体的收费、价格、平台信息。估计结果可能受隐藏混杂影响，需做敏感性分析。