Causal Forest
哪些训练样本最适合帮助估计具有 \(X=x\) 的人群平均效应？
Technical bridge · observed neighbors ↔ latent token belief
同一种加权语法，
不同的因果主语
从 Causal Forest 的自适应邻域，到 Unit Abduction 的 focal-token belief
要回答“治疗对眼前这个人会怎样”，算法往往不能直接看见答案，而要先决定： 哪些对象有资格、以多大权重参与推断？ Causal Forest 与 Unit Abduction 都先构造一张 evidence-adaptive measure，再做因果归约； 但前者借力于其他已观察的人，后者保留的是关于同一个固定 token 的多种潜在解释。
00
One-minute thesis
先找对参照，再回答因果
两者最深的共同点，不是“都找相似的人”，而是都把 evidence 先变成一张概率测度； 后续答案由这张测度与特定 causal reducer 共同产生。
Unit Abduction
根据已见事实，眼前这个固定 token 仍可能是哪一种 latent unit type？
The visual intuition
两个 soft subpopulation，活在两个 sample spaces
“Subpopulation” 是这座桥最有启发、也最容易误读的词。左侧是真实训练 rows 的经验邻域； 右侧是围绕一个 actual token 的 epistemic candidate set。
01 Causal Forest
focal evidence
\(X=x\)
row 1
row 2
row 3
row 4
row 5
forest co-leaf weights \(\alpha_j(x)\)
local population estimand
\(\widehat\tau(x)\)
02 Unit Abduction
focal factual evidence
\(O_i\)
type a
type b
type c
type d
type e
evidence belief \(Q_i(du)\)
same-token query law
\(\mathcal L_i(dy;a)\)
圆点透明度表示相对权重，而非“是否属于”的硬标签。Causal Forest 的 atoms 是不同训练 units； \(Q_i\) 的 atoms 是对同一个 fixed actual token 的候选解释。
Causal Forest
森林先构造自适应邻域，再估计 CATE
Random forest 可以被读成一个 adaptive nearest-neighbor estimator。对目标 \(x\)， 与它频繁落进同一 terminal leaf 的训练 observation 获得更高权重：
\[
\alpha_j(x)=\frac{1}{B}\sum_{b=1}^{B}
\frac{\mathbf 1\{X_j\in L_b(x)\}}{|L_b(x)|},
\qquad \sum_{j=1}^{n}\alpha_j(x)=1.
\]
令 \(O_j=(X_j,W_j,Y_j)\)。本文把这些权重组织成一张经验测度：
\[
Q_x^{\mathrm{CF}}=\sum_{j=1}^{n}\alpha_j(x)\,\delta_{O_j}.
\]
Bridge lens，不是作者原话
\(Q_x^{\mathrm{CF}}\) 是为了比较两类算法而引入的 measure-theoretic 表达； forest weights 是 adaptive kernel / neighborhood weights，不是 Bayesian posterior。
Causal estimation 随后发生在这张 localized empirical measure 上。二元 treatment 下， 目标仍是 conditional average treatment effect：
\[
\tau(x)=\mathbb E\!\left[Y(1)-Y(0)\mid X=x\right].
\]
\[
\sum_j \alpha_j(x)(W_j-\widehat e^{(-j)}(X_j))
\Bigl[Y_j-\widehat m^{(-j)}(X_j)
-\tau(W_j-\widehat e^{(-j)}(X_j))\Bigr]=0.
\]
人话
Forest 先学习“哪些 observed people 应该彼此借力”，再在这群人的加权 residuals 上 解一个局部 causal estimating equation。
Identification boundary
贴在第 \(i\) 行上的数，仍不等于这个人的已识别效应
对 \(x_i\) 输出 \(\widehat\tau(x_i)\)，正式 estimand 仍是 \(\mathbb E[Y(1)-Y(0)\mid X=x_i]\)：具有这些 observed covariates 的 population 平均怎样。
它不是眼前 physical token 的 realized \(Y_i(1)-Y_i(0)\)。因此更准确的名字是 individualized causal prediction / covariate-conditional effect， 不是被单独识别的 literal individual treatment effect。
Unit Abduction
它重加权的不是“其他人”，而是“这个 token 可能是谁”
DiscoSCM 中只有一个 model-level Unit Selection Variable \(U\)。对样本 \(i\)， world-side actual selection 已经固定为 \(U=u_i\)；learner 看见 factual evidence \(O_i\)， 却不知道 \(u_i\)，于是形成独立的 focal-token belief：
\[
Q_i(du)=\mathcal A_\phi(O_i)(du)
\approx P(U\in du\mid O=o_i).
\]
从 \(Q_i\) 抽出的 candidate \(\widetilde u^{(m)}\) 不是又生成了一个 physical unit， 而是取出一种仍与证据相容的 latent-type hypothesis。对 mechanism query \(a\)：
\[
\mathcal L_i(dy;a)=
\int_{\mathcal U}K_\theta(dy\mid a,u)\,Q_i(du).
\]
factual evidence
\(O_i\)
→
abduct once
\(Q_i\)
→
\(a_0\)\(a_1\)\(a_2\)
核心规则
换 query，不换人：比较多个 actions 时固定同一个 factual \(Q_i\)，只改变 mechanism query。 若做 paired Monte Carlo contrast，还应跨 actions 复用同一次 candidate draw。
When “subpopulation” is licensed
“Evidence-weighted soft candidate subpopulation”需要一份明确合同
Target population 是 reference law，不是 Abduction 自己创造出来的。 只有先声明 \(P_U^{\mathrm{tar}}\)，再给出 evidence-compatibility weights，才有：
\[
Q_i^{\mathrm{tar}}(du)=
\frac{w_i(u)P_U^{\mathrm{tar}}(du)}
{\int w_i(v)P_U^{\mathrm{tar}}(dv)},
\qquad Q_i^{\mathrm{tar}}\ll P_U^{\mathrm{tar}}.
\]
- soft不是把 token 硬判入一个 class
- epistemic candidate是 learner hypotheses，不是多名真实 units
- target-indexed语义依赖声明过的 reference population
The common operator
Localize first, reduce second
用一个抽象算子可以准确写出共同骨架，同时不抹平二者的 ontology 差异。
\[
\Pi_e(dz)=
\frac{w_e(z)\Pi_0(dz)}{\int w_e(v)\Pi_0(dv)},
\qquad
\widehat\theta(e,q)=\mathcal R_q(\Pi_e).
\]
\(\Pi_0\)
reference law
\(e\)
focal evidence
\(w_e\)
evidence-induced weights
\(\Pi_e\)
soft localized measure
\(\mathcal R_q\)
task-specific causal reducer
Causal Forest
\(e=x\)，atoms 是 observed records，\(\Pi_e=Q_x^{\mathrm{CF}}\)； reducer 是 localized orthogonal moment，输出 CATE。
Unit Abduction
\(e=O_i\)，atoms 是 latent unit types，\(\Pi_e=Q_i\)； reducer 经 shared mechanism 积分，输出 focal-token-indexed query law。
相同的是 evidence reweighting 的计算语法；不同的是被重加权的对象，以及最终回答的因果问题。
Do not collapse the distinction
同一个公式位置，不同的因果主语
下面的差异决定了这座桥能解释什么，也决定了它不能替代什么。
| 维度 | Causal Forest | Unit Abduction |
|---|---|---|
| focal evidence | 目标协变量 \(X=x\) | token 的 admissible factual evidence \(O_i\) |
| reference law | 训练样本经验分布 | 声明过的 \(P_U^{\mathrm{tar}}\) |
| 被重加权者 | 已观察到的不同训练 units | 关于一个 actual token 的 latent candidate types |
| weights | co-leaf weights \(\alpha_j(x)\) | compatibility \(w_i(u)\) 或 learned \(Q_i\) |
| subpopulation | observed-space adaptive neighborhood | soft epistemic candidate subpopulation |
| causal reduction | weighted local moment / orthogonal score | belief 经 causal mechanism 积分 |
| 正式 estimand | CATE：\(\tau(x)\) | belief-conditioned same-token query law |
| “个体化”含义 | 在 \(x_i\) 处报告条件平均 | 固定对 focal token 的认识后改变 query |
| 跨 query 约束 | 目标 \(x\) 变，邻域通常随之变 | 同一 token 必须固定 factual \(Q_i\) |
| 识别义务 | unconfoundedness、overlap、honesty 等 | evidence admissibility、calibration、assignment / transport、mechanism stability 等 |
不是 SCM Abduction
Causal Forest 没有恢复某个具体 unit 的 latent exogenous state；“observed-space abduction”只能是教学类比。
不是 personal effect
\(\widehat\tau(x_i)\) 贴在个人行上，仍是 CATE，不是已识别的 physical-token effect。
不是一群真实 focal units
\(Q_i\) 是同一个 token 的 candidate belief，不是另一个 cohort。
不是天然 posterior
\(\alpha_j(x)\) 是 adaptive weights；learned \(Q_i\) 也需 calibration / identification 才能称真实 posterior。
不是自动识别
固定 \(Q_i\) 提供 same-token computational linkage，不自动证明 token causation。
不是硬筛选
“Consistent subpopulation”应改写为 evidence-weighted soft candidate subpopulation。
Relationship claim
Causal Forest 是 Unit Abduction 的特殊情况吗？
目前不能写成 theorem
可以构造 forest-like bridge：让 candidate space 退化为 observed training rows， 令 belief 取 \(\sum_j\alpha_j(x_i)\delta_{O_j}\)，再只计算 local conditional moments。 但这是有用的重写，不是已经证明的模型包含关系。
- forest weights 不是 calibrated \(P(U\mid O_i)\)；
- observed rows 不是 latent unit types；
- Causal Forest 不需显式学习 \(u\mapsto K_\theta(\cdot\mid a,u)\)；
- CATE identification 不等价于 fixed-token mechanism identification。
From analogy to experiments
这座桥应该产生 baseline，而不只是一个漂亮比喻
真正有价值的下一步，是让 shared skeleton 变成可失败的比较。
Forest-weighted candidate baseline
把 \(\alpha_j(x_i)\) 当作 observed-unit candidate weights，固定 weights 后回答多个 queries，检验 latent abductor 是否真的增加价值。
Same-weight / changed-query audit
每个 focal token 只 localize / abduct 一次。若每个 action 都重新计算，就混入 query-dependent token re-recognition。
Matched-estimand comparison
分别比较 CATE、distribution calibration、hidden response-curve error 与 support shift；不能拿一个点估计和完整 law 粗暴排总分。
Primary sources
文献与本地语义合同
- Wager & Athey (2018), Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests.
- Athey, Tibshirani & Wager (2019), Generalized Random Forests.
- GRF team, An introduction to generalized random forests.
- HCGM, Unit Selection Variable notation guard：唯一 \(U\)、真值 \(u_i\)、belief \(Q_i\) 与 same-token reuse。
- HCGM, 本文 canonical 中文源文。