用途：EconML 是微软研究院 ALICE 项目下的 Python 包，用于从观测数据估计异质性处理效应，将机器学习与经典计量经济学结合。传统计量方法依赖强参数假设、难以处理高维数据，纯机器学习擅长预测但不区分相关与因果；EconML 用 ML 估计 nuisance 参数，同时保留计量经济学的因果识别保证。适用于经济学、公共卫生、教育政策等领域从非实验数据理解因果机制。
主要能力：实现双重机器学习（DML）、因果森林、双重稳健学习器、正交随机森林，以及带 ML 第一阶段的工具变量方法。支持平均与异质性处理效应估计、置信区间与假设检验、特征重要性、CATE 估计等。
使用方式：用 pip install econml 安装，完整功能用 pip install econml[all]。核心依赖 numpy、scipy、pandas、scikit-learn、statsmodels，部分估计器可选 LightGBM、PyTorch。基本流程为导入估计器、fit(Y, T, X=X, W=W)，调用 effect、effect_interval、ate 等方法；Y 为结果，T 为处理，X 为效应修饰变量，W 为额外混杂变量。DML 需交叉拟合与正交化；因果森林默认使用样本分割保证有效推断。
适用场景：随机实验存在不依从或流失时用 IV 方法恢复局部平均处理效应；政策评估中用 CATE 识别受益最大的子群体；结合敏感性分析评估未观测混杂的稳健性；生成适合同行评审的置信区间与回归式输出。
限制：DML 要求条件可忽略性（基于可观测变量选择），须明确记录识别策略；不能跳过交叉拟合，否则产生过拟合偏差；需检查处理组与对照组协变量分布的重叠性；建议并排报告多种估计器结果以评估稳健性。具体收费、价格、平台信息暂未提供。参考：https://github.com/py-why/EconML 与 https://econml.azurewebsites.net/。