| English | 中文 |
实现前先采用因果设计方法，明确处理、结果、时序、物理机制、混杂、备选 DAG、重叠及敏感性检查。图结构有效不证明因果识别成立。
R causal/causal.R 由 analysis=causal_plr 选择，共享目标与准备模块，替代预测的拟合/评估/解释分支。要求声明 DAG、有依据的人工调整集且等于 features、一个数值处理、单位、处理尺度、恰好一个辅助模型候选、missing.policy=drop 及六项有依据的假设声明。不能仅为通过验证而勾选假设。
保留的训练和验证池合并交叉拟合，测试行不参与。采用 2–10 折且至少 max(30,10*folds) 行；分组模式要求至少 max(5,folds) 组并声明组间独立。这些实现保护不证明有效样本量充足或因果设计成立。R操作保留完整调用/配置、系数单位定义及输出角色。通过 artifacts.json 读取效应、残差、折号、辅助模型和 DAG，并说明识别限制。Python 预测候选不提供该 R PLR 分支。