小红书精读：Doubly Robust Estimation of Causal Effect on CVR with Targeted Regularization

CVR因果效应估计的坑，这篇用双鲁棒解法填了

各位算法同学们，CVR因果效应估计有个大坑：只在点击样本上估，选择偏差会让你得出错误结论；但直接套用标准因果推断方法也不行。这篇工作从半参数理论出发，把这事讲透了，还给了个能落地的框架。

📄 Doubly Robust Estimation of Causal Effect on CVR with Targeted Regularization

🔧 从半参数理论推导CVR目标估计量的影响函数和von Mises展开，构造了链式结构下的双鲁棒估计量，不依赖“无偏损失”这种间接目标，直接对准最终估计量。 🧩 证明所提估计量达到√n一致性，收敛速度比单个nuisance参数更快，即使用神经网络这类灵活模型也稳，对模型误设有很强的鲁棒性。 ⚙️ 把目标正则化扩展到CVR设定，用“软”校正替代“硬”一步校正，避免低点击率时校正项爆炸，还免去交叉拟合，工程上更友好。

📊 合成数据CVR任务AMSE 0.00248，比最好的基线ECUP（0.00816）降低约70%。 📈 News数据上CVR任务AMSE 0.00101，ECUP为0.00233，优势明显。 ✅ 去掉目标正则化后AMSE涨到0.00981，说明正则化是核心组件。 ✅ 敏感性分析显示对倾向得分权重α稳定，而β减小则性能单调变差，验证了正则化的必要性。

总结：这篇对做广告/电商CVR因果效应的人很有用，特别是想用全量样本而不是点击子集来估计。落地要注意β这个超参不能乱调，另外它需要同时估计三个nuisance参数，模型复杂度不低。相比那些只做loss debiasing的CVR预测方法，这篇更直接冲着最终估计量去，理论兜底更扎实。

原文：AlphaXiv