用途：该技能面向因果推断中的机器学习方法，用于在有效研究设计（RCT、IV、DID等）基础上估计平均处理效应（ATE）与条件平均处理效应（CATE）。核心原则是机器学习仅用于估计干扰参数（预测Y与D），不直接识别因果效应。
主要能力：双重/去偏机器学习（DML）用于部分线性模型，含交叉拟合流程；因果森林（GRF）估计异质性处理效应；AIPW/增强IPW双重稳健估计；元学习器（S、T、X、R-Learner）用于CATE；Post-LASSO与post-double-selection用于高维控制变量选择；BLP与CLAN/GATES分析异质性；诊断包括因果森林校准检验与交叉验证性能。
使用方式：提供R（DoubleML、grf、hdm、AIPW）、Python（DoubleML、EconML、sklearn、statsmodels）与Stata（ddml、pystacked、lassopack）示例。DML流程为K折交叉拟合、干扰估计、残差化、最终回归；因果森林使用honest估计与参数自动调优。Stata安装命令：ssc install ddml、ssc install pystacked、ssc install lassopack。
适用场景：控制变量较多时估计ATE、发现处理效应异质性、高维控制变量选择、CATE最佳线性预测、识别效应最大/最小子组。
限制与注意：机器学习不能替代因果识别，仍需外生变异；CATE需honest估计避免过拟合；GRF变量重要性反映异质性预测力而非因果中介；忽略交叉拟合会导致DML估计有偏。资料未提供具体收费、价格与平台信息。