本文介绍双重稳健估计（AIPW）在AI产品因果推断中的应用。针对用户自选加入导致的偏差，AIPW结合倾向得分和结果模型，只要其中一个正确即可获得一致估计。通过Python实现和模拟数据验证，AIPW能纠正选择偏差，恢复真实效应（+8%），并展示模型误设时的稳健性，同时讨论其局限和实际应用策略。
该文综述了从高维观测数据估计处理效应的方法，涵盖平均处理效应、局部平均处理效应和分位数处理效应。核心手段包括Neyman正交得分、交叉拟合、双重稳健估计与表示学习，以应对内生处理、异质效应和未观测混杂。部分研究还引入公平性约束、工具变量识别及深度正交网络，并在模拟与实证中验证其性能。
完成下面两步后，将自动完成登录并继续当前操作。
