因果森林 Causal Forest 与 CATE 估计

斯坦福大学提出的因果森林算法 (Causal Forests / Generalized Random Forests, GRF / Athey & Wager 提出) 与条件平均处理效应 (CATE - Conditional Average Treatment Effect) 非参数估计体系是将经典随机森林升华至因果推断领域的里程碑模型；传统随机森林通过最大化子节点标签纯度（基尼系数/方差减少）进行分裂；因果森林核心创新：1) 因果分裂准则 (Causal Splitting Rule): 决策树分裂目标直接定义为最大化左右两个子节点之间处理效应差异的平方 $\Delta \tau^2$，专门寻找对干预最敏感与最迟钝的人群分界线；2) 诚实树结构 (Honesty Trees): 采用样本两阶段划分——一阶段样本仅用于确定决策树的分裂结构 (Splitting Subsample)，二阶段独立样本仅用于估计叶子节点内的处理效应 (Estimation Subsample)，严格保证渐近无偏性；3) 正态渐近理论保证：支持输出每个个体 CATE 预测值的置信区间与标准误差。

复杂业务特征下的个性化精准定价、医疗个性化疗效分析、异质性因果效应洞察与特征归因。

传统线性交互回归模型假定因果异质性是线性的，无法捕捉复杂的非线性、高维特征因果交互；因果森林实现了全自动的非参数自适应因果树分割。

详细对比标准随机森林 (Random Forest) 的分裂准则（均方误差 MSE 最小化）与因果树 (Causal Tree) 的分裂准则（因果效应方差最大化）？

诚实树 (Honest Trees) 理论：为什么将样本拆分为“分裂集”与“估计集”能够消除自适应搜索导致的乐观过拟合偏置并恢复中心极限定理？

广义随机森林 (Generalized Random Forests, GRF): 如何通过局部矩估计 (Local GMM) 与自适应核加权 $\alpha_i(x)$ 求解 CATE 优化问题？

因果特征重要性 (Causal Feature Importance): 如何评估哪些用户特征（如年龄、历史活跃天数、设备价格）对干预效果的异质性驱动贡献最大？

Double Machine Learning (DML / EconML / Chernozhukov): DML 正交残差化与因果森林的结合机制（Robins-Frisch-Waugh 降维定理）？