模型拟合详细信息
“因果处理”模型报表的“模型拟合详细信息”部分包含两个子部分：“处理模型”和“响应模型”。这些部分的内容因处理类型不同而有所不同。
二值型处理
处理模型
当处理为二值型变量且在“拟合模型”启动窗口中未指定处理模型（REGADJ 估计）时，“处理模型”部分将为空。若指定了处理模型（IPWR 或 AIPW 估计），“处理模型”部分会包含“处理的倾向得分计算”选项卡。此外，若使用了稳定权重，“处理模型”部分还会包含一个“倾向得分空模型”选项卡。
“处理的倾向得分计算”选项卡显示有关拟合处理模型（一个 Logistic 回归模型）的信息。该部分中的信息等同于通过以下方式生成的报表：使用默认设置运行“广义线性混合模型”(GLMM) 特质，将处理变量作为结果，并且将指定的处理模型变量作为固定效应。该报表中的信息显示：如何对给定协变量接受处理的条件概率（即倾向评分）进行建模。关于 GLMM 报表中所有组成部分的详细描述，请参见“模型拟合报表”。“倾向得分空模型”选项卡显示有关空处理模型（一个 Logistic 回归模型）的信息。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将处理变量作为结果，并且不包含任何变量作为效应。该报表中的信息显示如何对接受处理的边缘概率建模。该概率用在稳定权重的计算中。
响应模型
当处理为二值型变量且在“拟合模型”启动窗口中未指定响应模型（IPWR 估计）时，“响应模型”部分将包含两个选项卡：“ATE 的倾向得分加权模型”和“ATET 的倾向得分加权模型”。若指定了响应模型（REGADJ 或 AIPW 估计），“响应模型”部分将包含两个“回归调整模型”选项卡，分别对应处理的每个水平。
“ATE 的倾向得分加权模型”选项卡显示有关拟合响应模型（一个线性或 Logistic 回归模型）的信息。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将响应变量作为结果，将处理变量作为固定效应，并且将计算的 IPW 作为权重。该报表中的信息显示如何估计 ATE。
“ATET 的倾向得分加权模型”选项卡显示有关拟合响应模型的信息。该模型是仅使用接受处理的观测拟合的线性或 Logistic 回归模型。根据这些观测过滤样本后，该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM、将响应变量作为结果，将处理变量作为固定效应，并且将为 ATET 计算的 IPW 作为权重。该报表中的信息显示如何估计 ATET。
“回归调整模型”选项卡显示有关响应模型的信息。该模型是仅使用接受指定的处理水平的观测拟合的线性或 Logistic 回归模型。根据这些观测过滤样本后，这些部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM、将响应变量作为结果，将指定的响应模型协变量作为固定效应。
删失权重计算
当处理为二值型变量时，若指定了一个处理模型（IPWR 或 AIPW 估计），但结果变量 (Y) 中有缺失值，那么“删失权重计算”部分会包含四个选项卡。
“删失模型: 处理 = 1”选项卡和“删失模型: 处理 = 0”选项卡包含有关拟合删失模型的信息。这些模型自动拟合。这些模型是仅使用接受了指定处理水平的观测拟合的 Logistic 回归模型。根据这些观测过滤样本后，这些部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM、将指示 Y 缺失的指示变量作为结果，将指定的处理模型协变量作为固定效应。
“删失空模型: 处理 = 1”选项卡和“删失空模型: 处理 = 0”选项卡显示有关拟合删失模型的信息。这些模型自动拟合。这些模型是仅使用接受了指定处理水平的观测拟合的 Logistic 回归模型。根据这些观测过滤样本后，这些部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM、将指示 Y 缺失的指示变量作为结果，并且无固定效应。
请参见结果中的缺失值的统计详细信息，了解有关删失模型如何影响最终的因果效应估计值的信息。
连续处理
处理模型
当处理为连续变量时，必须指定处理模型。“处理模型”部分会包含“处理的倾向得分计算”选项卡和“倾向得分空模型”选项卡。
“处理的倾向得分计算”选项卡显示有关拟合处理模型（一个线性回归模型）的信息。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将处理变量作为结果，并且将指定的处理模型变量作为固定效应。该报表中的信息显示如何对给定协变量的处理条件密度（即倾向得分）进行建模。
“倾向得分空模型”选项卡显示有关空处理模型（一个线性回归模型）的信息。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将处理变量作为结果，并且不包含任何变量作为效应。该报表中的信息显示如何对处理的边缘密度建模。该密度用在稳定权重的计算中。
响应模型
当处理为连续变量时，“响应模型”部分包含“具有 SIPW 的边缘结构模型”选项卡（SIPW：稳定逆概率加权）和“广义倾向得分模型”选项卡。
“具有 SIPW 的边缘结构模型”选项卡显示通过采用 IPWR 的 MSM 方法拟合的响应模型的信息，该模型是加权线性或 Logistic 回归模型。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将响应变量作为结果，将处理变量及其平方作为固定效应，并且将计算的 IPW 作为权重。有关该模型的详细信息，请参见连续处理方法的统计详细信息。
“广义倾向得分模型”选项卡显示使用 GPS 方法拟合的响应模型的信息，该模型是线性或 Logistic 回归模型。该部分中的信息等同于通过以下方式生成的报表：使用默认设置拟合 GLMM，将响应变量作为结果，将处理变量、其平方、计算的 GPS（在数据表中自动保存为观测 GPS）、其平方，以及处理与计算的 GPS 之间的交互作用作为固定效应 (Hirano and Imbens 2005)。有关该模型的详细信息，请参见连续处理方法的统计详细信息。
对于连续处理，“响应模型”部分中的信息显示如何使用这两种不同的建模方法来计算潜在结果的均值。
删失权重计算
当处理为连续变量时，不计算删失权重，该部分为空。不过，在结果中存在缺失值的观测仍被纳入倾向得分估计。