用途：该技能用于在因果推断框架内实现或选择现代半参数机器学习估计方法，适用于高维控制变量、异质性处理效应（CATE）为主要估计目标、以及需要交叉拟合或Neyman正交估计量的场景。
主要能力：涵盖双重机器学习（DML）的PLR、IRM、PLIV模型，因果森林（honest forest）估计CATE，元学习器（DR-Learner、T-Learner、X-Learner），高维控制下的PDS-LASSO，以及HTE推断中的校准检验与BLP投影。涉及econml、DoubleML、grf等包。
使用方式：先按方法选择指南判断——n<500用传统方法；高维控制求ATE用PDS-LASSO或DML-PLR，二值处理用DML-IRM；CATE为主用因果森林（n≥2000）或DR-Learner；内生处理带工具变量用DML-PLIV；处理不平衡用X-Learner；始终以T-Learner作基准。报告异质性前须通过校准检验（p>0.10方可报告）。
适用场景：高维控制变量下的处理效应估计、异质性处理效应分析、灵活干扰函数估计。
限制：因果ML不放松识别假设，仍需有效工具变量、平行趋势或无未测混杂；ML干扰模型需要大样本（因果森林n≥2000，DML n≥500）；个体层面CATE置信区间偏保守；小样本、有明确参数模型、标准IV/DiD/RDD或需要结构建模与识别证明时应改用其他技能。具体代码实现与诊断细节见各参考文件。