前言

推断因果性和分析异质性是统计学家在处理混杂任务中的圣杯。传统且主流的方法有：倾向性评分、分层分享、比例风险模型等。新的方法也有很多，代表就是：因果随机森林。这种算法，浅看难度一般，深入探索发现坑还是很多的。这篇博客不对算法做深入探讨，仅仅是我在阅读文献中发现确定森林模型的树木数量参数 the number of trees 这个任务，所谓研究因果森林的grf包中未能提及，因此，我对针对这个任务进行部分很浅的工作。

不过，私以为，这个参数是极为重要的，默认因果森林中是2000，而且内部提供了turn.para来直接优化参数，我认为，在一般情况下，不改其实也很ok的。2000真的很大了，一般错误率都稳定了。但是，各位研究牲们，发学术文章，扪心自问，感觉还是要有一张图，才好交差吧？

且看这篇文章中的图2，他就是一张"渐进图"来确定出最合理的树的数量。

其中，y轴是Median prediction variances x轴是 the number of trees.

prediction varianc