一句话定义：双重稳健估计（Double Robust Estimation）是一类统计方法——同时建「倾向得分模型」和「结果模型」，只要其中一个设定正确，估计结果就仍然一致（consistent）。
它想解决什么
假设你想知道一次培训对薪资的提升。麻烦在于：参加培训的人本来就更能干，直接比较平均薪资会高估效果。于是要控制协变量，而控制方式有两条路：
- 倾向得分模型（propensity score model）：用年龄、学历、过往绩效预测“某人参加培训的概率” e(X)。
- 结果模型（outcome model）：预测“给定特征下，参加培训的薪资” μ₁(X) 和“不参加的薪资” μ₀(X)。
只用前者，就是逆概率加权（IPW, Inverse Probability Weighting）：按 1/e(X) 放大样本，模拟“所有人都参加”。e(X) 估偏，结论就偏。只用后者，就是回归插补（g-computation）：全靠 μ 的预测，μ 设错也偏。
双保险怎么接上
双重稳健把两者相加：结果模型给主预测，倾向得分给“预测残差”加权做修正，最常见的形式叫增广逆概率加权（AIPW, Augmented IPW）。结果模型错时，只要 e(X) 对，修正项的期望为零，能把偏差拉回来；倾向得分错时，只要 μ 对，主项本身就够用，权重再乱也不引入系统性偏差。
打个比方：两个人对账。一个估算每笔账应该是多少，一个判断哪些样本更可信、该放大几倍。前者靠谱，账大致就对；前者胡来，后者靠重新加权把残差校准回来。只有两人同时犯迷糊，才会崩。
| 方法 | 依赖假设 | 主要风险 |
|---|---|---|
| IPW | 倾向得分模型正确 | 权重极端，方差大 |
| g-computation | 结果模型正确 | 模型设错即系统性偏差 |
| 双重稳健 | 二者至少一个正确 | 两个都错时可能更糟 |
和相邻概念的区别
目标AI 词典：最大似然估计">最大似然估计（TMLE, Targeted Maximum Likelihood Estimation）是在双重稳健基础上再做一步“定向更新”；双重机器学习（DML, Double/Debiased Machine Learning）则用交叉拟合（cross-fitting）把双重稳健接到高维、非线性的机器学习模型上。
免费午餐的前提
1. 两个都错时，偏差可能比单用任一方法更大。“双重稳健”不等于“双重保险”。
2. 需要重叠性（overlap）：若有些人几乎必然参加、有些人几乎必然不参加，e(X) 逼近 0 或 1，权重爆炸、方差失控，这时双重稳健救不了。
3. 用机器学习拟合时要做交叉拟合，同一批数据既训练又评估会带来过拟合偏差。
4. 一致性是大样本性质，小样本下它可能只是方差更大。
对从业者的意义
观察性数据做因果推断、缺失数据处理、营销里的增量效果（uplift）评估，都常用它。实践心态应该是：别指望单个模型完美，而是让方法在两类错误下都不至于崩——同时老实检查重叠性，做敏感性分析。工具能兜底，判断还得自己做。