因果森林算法是一種基於隨機森林的因果推斷方法，它通過特定的技術和步驟來實現無偏估計，以下是該算法的三個關鍵功能：
樣本採樣。通過bootstrap方法對數據進行採樣，並對每棵樹的分裂進行處理。將樣本套用到樹上後，將得到的葉子節點的預測值聚合求均值，並作為該樹的預測。最後，將所有樹的預測聚合起來，得到樣本的最終預測均值。
誠實估計。使用兩組不交叉的數據，其中一組用於確定樹的結構，另一組用於確定估計量，這樣可以保證樹的無偏性。
最大異質性分裂。在每個節點分裂時，目的是最大化左右葉子節點間的異質性，確保同一葉子節點內的樣本具有同質性。這樣，樹在找到特徵後會分裂左右葉子節點，並在這些節點下進行回歸分析。這種方法可以保證左右節點間因果效應的差異最大化，即異質性最大。
因果森林廣泛套用於處理補貼或增長場景中的因果效應問題，因為它只在那些對因果效應提供信息的特徵上進行分裂。相比之下，傳統的回歸模型（如神經網路）將所有特徵一起用於預測結果本身(Y)，而不是因果效應(∆Y)，這可能導致估計不準確。