📈 DS 数据科学家ID: ds-propensity-score-matching-doubly-robust

倾向得分 PSM 与双重稳健估计器

Q: 详细证明 Rosenbaum-Rubin 降维定理：为什么在 $Y(0), Y(1) \perp T \mid X$ 成立时，必有 $Y(0), Y(1) \perp T \mid e(X)$？

【倾向得分 PSM 与双重稳健估计器 核心考点 1】详细证明 Rosenbaum-Rubin 降维定理：为什么在 $Y(0), Y(1) \perp T \mid X$ 成立时，必有 $Y(0), Y(1) \perp T \mid e(X)$？。技术解析：定义: 倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征 X 下个体接受处理的条件概率：e(X) = P(T=1 | X)（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-propensity-score-matching-doubly-robust

Q: 写出逆概率加权 (IPW: $\hat{\tau}_{\text{IPW}} = \frac{1}{n} \sum \left[ \frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i)Y_i}{1-e(X_i)} \right]$) 公式，并分析为什么当 $e(X) \to 0$ 或 $1$ 时方差会发生剧烈爆炸？

【倾向得分 PSM 与双重稳健估计器 核心考点 2】写出逆概率加权 (IPW: $\hat{\tau}_{\text{IPW}} = \frac{1}{n} \sum \left[ \frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i)Y_i}{1-e(X_i)} \right]$) 公式，并分析为什么当 $e(X) \to 0$ 或 $1$ 时方差会发生剧烈爆炸？。技术解析：定义: 倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征 X 下个体接受处理的条件概率：e(X) = P(T=1 | X)（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-propensity-score-matching-doubly-robust

Q: 写出双重稳健估计器 (Augmented IPW / AIPW) 的完整代数形式，并证明其“双重保险 (Double Robustness)”的数学无偏性机制？

【倾向得分 PSM 与双重稳健估计器 核心考点 3】写出双重稳健估计器 (Augmented IPW / AIPW) 的完整代数形式，并证明其“双重保险 (Double Robustness)”的数学无偏性机制？。技术解析：定义: 倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征 X 下个体接受处理的条件概率：e(X) = P(T=1 | X)（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-propensity-score-matching-doubly-robust

Q: 共同支撑域 (Common Support / Overlap): 如何通过直方图检查倾向得分分布重叠，并剔除离群极端样本以防外推风险？

【倾向得分 PSM 与双重稳健估计器 核心考点 4】共同支撑域 (Common Support / Overlap): 如何通过直方图检查倾向得分分布重叠，并剔除离群极端样本以防外推风险？。技术解析：定义: 倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征 X 下个体接受处理的条件概率：e(X) = P(T=1 | X)（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-propensity-score-matching-doubly-robust

Q: 协变量平衡性检验 (Covariate Balance Check): 为什么匹配完成后必须计算标准化均值差 (SMD: Standardized Mean Difference $< 0.1$) 而不是看 $t$ 检验 $p$ 值？

【倾向得分 PSM 与双重稳健估计器 核心考点 5】协变量平衡性检验 (Covariate Balance Check): 为什么匹配完成后必须计算标准化均值差 (SMD: Standardized Mean Difference $< 0.1$) 而不是看 $t$ 检验 $p$ 值？。技术解析：定义: 倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征 X 下个体接受处理的条件概率：e(X) = P(T=1 | X)（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DS/card/ds-propensity-score-matching-doubly-robust

PSM Matching & Doubly Robust Estimator

🎯核心定义

倾向得分匹配 (Propensity Score Matching, PSM / Rosenbaum & Rubin 提出)、逆概率加权 (IPW) 与双重稳健估计器 (Doubly Robust Estimator / AIPW) 是在大规模用户观测数据中平衡高维协变量分布、消除选择偏差 (Selection Bias) 的最经典因果推断工具箱；核心思想：倾向得分定义为在给定观测特征

X

下个体接受处理的条件概率：

e(X) = P(T=1 | X)

（通常用 Logistic 回归或 GBDT 估计）；Rosenbaum-Rubin 定理证明：在强可忽略性假设下，条件化标量倾向得分 $e(X)$ 等价于条件化全量高维协变量 $X$，将高维维数灾难压缩为一维标量匹配；匹配方法包括近邻匹配 (Nearest Neighbor)、卡尺匹配 (Caliper) 与共同支撑域 (Common Support) 裁剪；双重稳健估计器 (AIPW: Augmented IPW) 结合了倾向得分模型与结果回归模型，只要两个模型中任意一个被正确设定，因果效应估计量就依然保持一致与无偏（具备双保险稳健性）。

💡使用场景

无法做 A/B 实验的存量功能（如购买了 VIP 会员的用户）真实因果增益分析、用户流失召回活动归因。

⚡解决的核心痛点

买了会员的用户自然留存率本来就高（混杂特征选择偏差），直接对比会导致会员价值被严重夸大；PSM 与 AIPW 通过为每个会员匹配一个特征几乎一致的非会员，还原真实因果 Lift。

🎯5 个高频面试考点 (Exam Points)

详细证明 Rosenbaum-Rubin 降维定理：为什么在

Y(0), Y(1) \perp T \mid X

成立时，必有

Y(0), Y(1) \perp T \mid e(X)

？

写出逆概率加权 (IPW:

\hat{\tau}_{\text{IPW}} = \frac{1}{n} \sum \left[ \frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i)Y_i}{1-e(X_i)} \right]

) 公式，并分析为什么当

e(X) \to 0

或

1

时方差会发生剧烈爆炸？

写出双重稳健估计器 (Augmented IPW / AIPW) 的完整代数形式，并证明其“双重保险 (Double Robustness)”的数学无偏性机制？

共同支撑域 (Common Support / Overlap): 如何通过直方图检查倾向得分分布重叠，并剔除离群极端样本以防外推风险？

协变量平衡性检验 (Covariate Balance Check): 为什么匹配完成后必须计算标准化均值差 (SMD: Standardized Mean Difference

< 0.1

) 而不是看

t

检验

p

值？

🔗核心前置底层技术卡片 (点击穿透复习)

📊[ML]Logistic 回归与极大似然→💻[MLE]OOF 目标编码与数据防泄漏→

📖 关联深度指南:📄 ds-causal-inference-and-experimentation →

更新于 2026-08-14

🎯

检验攻克程度：针对「倾向得分 PSM 与双重稳健估计器」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点合成控制法 SCM 与安慰剂空间检验下一个知识点 →工具变量法 IV 与两阶段回归 2SLS

🔗 更多 DS 数据科学家知识点卡片

假设检验、两类错误与功效权衡样本量公式严格推导与 MDE 估算 P-hacking 偷窥与序贯检验 mSPRT 多重比较校正：Bonferroni vs FDR

倾向得分 PSM 与双重稳健估计器

🔗 更多 DS 数据科学家 知识点卡片

🔗 更多 DS 数据科学家知识点卡片