因果待估量和估计量的统计详细信息
因果待估量是要估计的因果效应。估计量是一个函数，它以数据作为输入，并生成对待估量的估计值。不同的估计量对应不同的方法。
当处理为二值型变量时，“因果处理”报表中可能出现的两个因果待估量如下所述。当处理为连续变量时，“因果处理”报表会显示潜在结果均值估计值。有关连续处理情形的详细信息，请参见连续处理方法的统计详细信息。
平均处理效应 (ATE)
平均处理效应 (ATE) 是指：若关注的整个总体都接受处理 X = 1 与都不接受处理 X = 0 时，其结果的差异。ATE 是一个因果待估量，定义如下：
其中，Y(0) 和 Y(1) 是潜在结果。
当处理为二值型变量时，“因果处理”特质会根据模型的指定方式，通过采用比率调整的逆概率加权 (IPWR) 估计量、调整了回归 (REGADJ) 的估计量或增强逆概率加权 (AIPW) 估计量来估计 ATE。当满足三个因果假设且可从数据中识别 ATE 时，这些估计量是准确的。
IPWR 估计量
IPWR 估计量定义如下：
其中，πi 是观测 i 接受处理 X = 1 的概率（即：倾向得分），n 是样本中的观测数。在“因果处理”特质中，倾向得分是使用指定的处理模型（这是一个拟合的 Logistic 回归模型）来估计的。
REGADJ 估计量
REGADJ 估计量定义如下：
其中，yi1 和 yi0 表示若处理 X 分别设置为 1 或 0 时，观测 i 在 Y 上会取到的值；n 是样本中的观测数。
在“因果处理”特质中，使用指定的响应模型估计 yi1 和 yi0。若结果是二值型的，该模型为拟合的 Logistic 回归模型；若结果是连续的，该模型为线性回归模型。
AIPW 估计量
AIPW 估计量定义如下：
其中，πi 是观测 i, yi1 的倾向得分；yi0 是若处理 X 分别设置为 1 或 0 时，观测 i 在 Y 上会取到的值；n 是样本中的观测数。
在“因果处理”特质中，倾向得分是使用指定的处理模型估计的；yi1 和 yi0 是使用指定的响应模型估计的。
对接受处理者的平均处理效应 (ATET)
对接受处理者的平均处理效应 (ATET) 是指：若关注的整个总体（接受处理者）都接受处理 X = 1 与都不接受处理 X = 0 时，其结果的差异。ATET 是一个因果待估量，定义如下：
其中，Y(0) 和 Y(1) 是潜在结果。
“因果处理”特质使用具有相同名称的估计量来估计 ATET。但是，估计计算方式是不同的。
IPWR 估计量
ATET 的 IPWR 估计量定义如下：
其中，πi 是观测 i 的倾向得分，n 是样本中的观测数。
REGADJ 估计量
ATET 的 REGADJ 估计量定义如下：
其中，yi1 和 yi0 表示若处理 X 分别设置为 1 或 0 时，观测 i 在 Y 上会取到的值；n 是样本中的观测数；n1 是样本中接受处理的观测数。
AIPW 估计量
ATET 的 AIPW 估计量定义如下：
其中，πi 是观测 i, yi1 的倾向得分；yi0 是若处理 X 分别设置为 1 或 0 时，观测 i 在 Y 上会取到的值；n 是样本中的观测数；n1 是样本中接受处理的观测数。
当满足三个因果假设且可从数据中识别 ATET 时，这些估计量是准确的。