同样一批家庭，有 401(k) 参保资格的比没有资格的多出 19,559 美元净金融资产；把收入、年龄、教育、家庭规模这些混淆因素控制住之后，这个差额降到 5,722 美元。差额从 19,559 掉到 5,722，差的正是"是否参保"这件事本身不是随机的——储蓄偏好强的人既更愿意参保，本来也存得更多。DoubleML 的官方示例就是拿这组数据把这件事从头到尾做一遍。

DoubleML 是双重／去偏机器学习（double/debiased machine learning）框架的一个面向对象实现，依据的是 Chernozhukov 等人 2018 年的论文，由同一批作者同时维护 Python 与 R 两个包。文档站按用途分成几块：

| 板块 | 内容 |

| - | - |

| 安装说明 | Python 的 pip、conda、whl、源码构建四种装法，R 的 CRAN 与 GitHub 开发版两种装法，以及可选依赖 |

| 入门示例 | 用部分线性回归模拟数据走一遍建模、拟合、看结果 |

| 工作流 | 从问题表述到稳健性检验的七个步骤，每步都用 401(k) 数据示范 |

| 用户指南 | 十个章节，覆盖原理、数据后端、模型、异质性处理效应、得分函数、算法、学习器与调参、方差估计、样本分割与交叉拟合、敏感性分析 |

| 示例库 | Python 与 R 两套 Notebook，含 401(k) 养老金、DID、面板、分位数、政策树等 |

| API 参考 | Python 与 R 两份，按数据类、模型类、数据集、工具类、得分混合类分节 |

两个包的版本与许可不同：Python 包 PyPI 上当前为 0.11.4（2026 年 8 月上传），要求 Python 3.10 及以上，仓库 LICENSE 文件为 BSD 三条款许可，版权署名 2019—2023；R 包在 CRAN 上为 1.0.2（2025 年 4 月发布），许可标注为 MIT + file LICENSE。

| 模型 | 对应类 | 目标参数 | 适用情形 |

| - | - | - | - |

| 部分线性回归 PLR | DoubleMLPLR | 处理变量的线性系数 | 结果对协变量的关系交给机器学习，处理效应保持线性 |

| 部分线性 IV 回归 PLIV | DoubleMLPLIV | 内生处理变量的系数 | 处理变量内生，需要工具变量 |

| 交互回归 IRM | DoubleMLIRM | ATE，允许异质性 | 二值处理，想让协变量同时进入结果方程与处理方程 |

| 交互 IV 模型 IIVM | DoubleMLIIVM | LATE | 处理变量与工具变量都是二值，识别依从者平均处理效应 |

PLR 的形式是结果变量等于处理变量乘待估系数，加上协变量的未知函数与误差项；PLIV 在此之上再引入工具变量方程；IRM 让协变量以更一般的方式进入结果方程，因而允许处理效应随个体变化；IIVM 的目标参数是两个条件均值之差的比值，即局部平均处理效应 LATE。

文档还收录了另外几类模型：DID（含多期 DID 的 DoubleMLDIDMulti）、断点回归 RDD、样本选择 SSM、面板固定效应的 DoubleMLPLPR，以及二值结果的部分逻辑回归 DoubleMLLPLR。

数据来自 1991 年收入和项目参与调查（SIPP），共 9,915 个家庭观测，所有变量对应 1990 年。结果变量是净金融资产 net_tfa，等于个人退休账户余额、401(k) 余额、支票账户、储蓄债券、其他生息账户与生息资产、股票和共同基金之和，减去非抵押债务。9,915 个家庭中有 3,682 个具备参保资格，其中有 2,594 个实际参保。

未控制混淆因素时，资格对应的无条件平均预测效应为 19,559.34 美元，参保对应的为 27,371.58 美元。文档随后给出四种机器学习方法在 PLR、IRM、IIVM 三个模型下的估计值与 95% 置信区间：

| 模型 | lasso | 随机森林 | 决策树 | XGBoost |

| - | - | - | - | - |

| PLR（基础设定） | 5,722.46 ［3,016.58, 8,428.35］ | — | — | — |

| PLR（弹性设定） | 8,974.79 ［6,379.16, 11,570.42］ | 8,909.63 ［6,318.91, 11,500.36］ | 8,260.06 ［5,616.81, 10,903.32］ | 8,336.66 ［5,610.30, 11,063.02］ |

| IRM | 7,763.89 ［5,131.59, 10,396.19］ | 8,102.44 ［5,905.81, 10,299.08］ | 8,059.69 ［5,770.76, 10,348.62］ | 8,989.44 ［6,654.38, 11,324.50］ |

| IIVM（LATE） | 12,955.59 ［9,699.44, 16,211.75］ | 12,002.71 ［8,810.68, 15,194.75］ | 10,967.29 ［7,533.70, 14,400.88］ | 13,312.77 ［10,035.01, 16,590.53］ |

两种设定的差别在协变量怎么进：基础设定直接放进九个原始变量，弹性设定再对年龄、收入、受教育年限、家庭规模各加一个二次正交多项式。IRM 与 IIVM 的示例统一设了 0.01 的裁剪阈值，交叉拟合折数统一设为 3。四个方法跑出来的结果彼此接近，文档据此说明结论对学习器选择不敏感。

示例用 fetch_401K（Python）／fetch_401k（R）直接取数。Python 端返回 14 列：nifa、net_tfa、tw、age、inc、fsize、educ、db、marr、twoearn、e401、p401、pira、hown，其中 4 列为 float32、10 列为 int8，整表约 251.9 KB；R 端返回 12 个变量，不含 nifa 与 tw。

控制变量是年龄、收入、受教育年限、家庭规模、婚姻状况、双职工状态、既定给付型养老金、个人退休账户参与、住房自有九个。

文档站另有第二个真实数据集 fetch_bonus，对应宾夕法尼亚州再就业奖金实验；需要说明的是，示例库里该数据集对应的说明页目前只有取数代码，正文描述部分仍是占位文本，还没有写完。除两个加载器外，API 参考还列出十四组合成数据生成函数，分别对应 IRM、IIVM、异质性处理效应、离散处理、混淆 IRM、样本选择、PLR（Chernozhukov 等 2018 图一与 Turrell 2018 博客两版）、逻辑 PLR、面板 PLR、PLIV（Chernozhukov、Hansen、Spindler 2015 与 Chiang 等 2021 多向聚类两版）、混淆 PLR，以及 DID（Sant'Anna 与 Zhao 2020、Callaway 与 Sant'Anna 2021 的面板版与重复截面版）和 RDD，方便在没有真实数据时先验证设定。

样本分割与交叉拟合是这套方法的核心。四个主要模型都通过 n_folds 与 n_rep 两个参数指定：前者是折数，后者是重复次数。需要固定或复用同一套划分时，用 draw_sample_splitting 参数和同名方法，以及 set_sample_splitting 方法；draw_sample_splitting 控制是否重新抽取划分，apply_cross_fitting 控制是否做交叉拟合。

文档给出五种用法：K 折交叉拟合、K 折重复 M 次的交叉拟合、外部提供划分、只分割不做交叉拟合、完全不做样本分割。

用户指南第十章是遗漏变量偏误的敏感性分析，依据 Chernozhukov 等人 2022 年的论文。做法是把目标参数写成矩条件的形式，引入 Riesz 表示元，用结果回归的方差与 Riesz 表示元二阶矩构造偏差上界，再用 cf_
y、cf_
d、rho 三个量解释"遗漏变量能解释多少结果变异、多少处理变异、两者相关多强"。

文档说明当前敏感性分析仅适用于线性模型。

Python 包 PyPI 当前版本 0.11.4，要求 Python 3.10 及以上，安装命令为 pip install -U DoubleML 或 conda install -c conda-forge doubleml；断点回归模块用到的 rdrobust 依赖在 conda-forge 上没有，需要时通过 pip install doubleml［rdd］ 单独安装，开发依赖为 pip install doubleml［dev］。

R 包从 CRAN 装 install.packages("DoubleML")，开发版用 remotes::install_github("DoubleML/doubleml-for-r")。

许可按出处分别写明：Python 包的仓库 LICENSE 文件为 BSD 三条款许可（Copyright 2019-2023），再分发源码须保留版权声明、条件清单与免责声明，二进制形式再分发须在文档或其他随附材料中复制同样的内容，且未经书面许可不得以版权持有人或贡献者名义为衍生品背书；R 包按 CRAN 标注的 MIT + file LICENSE 写明，许可全文见其仓库 LICENSE 文件。

文档站页脚版权归 Bach、Chernozhukov、Klaassen、Kurz 与 Spindler（2023），站点由 Sphinx 8.1.3 与 PyData Sphinx Theme 0.15.4 生成。文档页脚版权归 Bach、Chernozhukov、Klaassen、Kurz 与 Spindler（2023），站点由 Sphinx 8.1.3 与 PyData Sphinx Theme 0.15.4 生成。

下面是帖子的相关资料的获取以及相关的内容说明，回复后即可见，内容包含：DoubleML 文档站各分站与章节入口、Python 与 R 两份 API 参考、401(k) 养老金案例的网页版与 Notebook 文件、两个数据集加载器说明，以及两个包的版本、安装命令、依赖条件与许可原文出处。