用QCA来整理因果树的结果：
因果树先于QCA
方向1 ：用个体来计算：将causal tree计算出的每个节点的ATE赋给节点中的每个人
数据的样子：
id 自变量X（age fw_b edu……） Y（处理效应） T treatment variable，
从R中提取ATE数据：
tree$ frame$yval ——ATE of every node
tree$where——每个个体处在哪个节点
按照节点id匹配
try 1：第一次试验是用几个简单的二分类变量来做QCA，但会存在大量的矛盾组态。因为简单的几个二分类变量并不是严格按照因果树的分类标准来的。所以不会呈现出因果树的分类
try 2：如果完全按照causal tree计算出的最细的分类来生成变量，在stata中运行时由于变量太多，愚蠢的stata会报错，说变量BCDEFG不存在之类的。
try 2改进：放在R里面试一下看看？或者放在windows下试一试
试过，QCA运行后的解依然比较复杂：
-----------------------------------------------
inclS PRI covS covU (M1) (M2) (M3) (M4) (M5) (M6)
--------------------------------------------------------------------------------------
1 c*d*e*F*G 1.000 1.000 0.638 0.565 0.638 0.565 0.638 0.638 0.565 0.565
2 b*c*d*e*f*g*I 1.000 1.000 0.147 0.018 0.018 0.018 0.018 0.018 0.147 0.147
3 B*c*d*E*f*g*I 1.000 1.000 0.111 0.017 0.111 0.111 0.017 0.111 0.017 0.111
--------------------------------------------------------------------------------------
4 b*c*d*e*f*g*H 1.000 1.000 0.148 0.000 0.019 0.019
5 b*c*d*e*f*H*I 1.000 1.000 0.148 0.000 0.019 0.019 0.019
6 b*c*d*e*G*H*I 1.000 1.000 0.092 0.000 0.019 0.019 0.019
7 B*c*d*E*f*g*H 1.000 1.000 0.116 0.000 0.022 0.022
8 B*c*d*f*g*H*i 1.000 1.000 0.041 0.000 0.041 0.041 0.022 0.022
9 c*d*e*f*g*H*i 1.000 1.000 0.038 0.000 0.038 0.019 0.038 0.019
--------------------------------------------------------------------------------------
M1 1.000 1.000 0.975
M2 1.000 1.000 0.975
M3 1.000 1.000 0.975
M4 1.000 1.000 0.975
M5 1.000 1.000 0.975
M6 1.000 1.000 0.975
方向2： 以node作为案例而不是以个体作为案例，
结果：由于因果树是不对称的，即对某一个变量划分的两个群体，不是按照相同的变量B继续划分。 所以将因果树的节点整理成QCA的数据格式后，发现存在很严重的稀疏问题
改进1 将数据补成对称的格式。但这样显得冗余。 原本因果树已经对不必要的条件进行了化约——因为因果树的分类条件是，当分类之后组间的差异足够大才进行分类，其实已经做了QCA最小化的这一步。我们可以把以上数据写成QCA需要的逻辑表达式。发现其实没有多少化简的空间。
方向3：将原来的连续变量变成定序或者类别变量。这样或许能够减少因果树的分枝，也能在QCA中有个统一的标准。
当处理为类别变量之后，不太适用于回归的逻辑。在做普通的回归和PSM时，得到的结果和使用连续变量做的结果不同。但是因果树的平均处理效应和之前相同，依然是-0.094.
但这种方法得出的因果图对数据recode之后再做QCA，并未实现我们的目的——得到一个简单的解。
> tree
n=5776 (481 observations deleted due to missingness)
node), split, n, deviance, yval
* denotes terminal node
4) age_f< 21.5 1041 620289.90 -0.45712430 *
10) edu>=10.5 214 127537.80 -0.23552590 *
11) edu< 10.5 163 97137.17 0.38290760 *
48) gender>=0.5 719 428427.10 -0.43345570 *
49) gender< 0.5 624 371867.30 -0.18208560 *
100) fw_b< 1995.5 416 247885.30 -0.42343620 *
101) fw_b>=1995.5 237 141243.60 -0.12272170 *
102) age_f>=25.5 168 100122.30 -0.19681530 *
103) age_f< 25.5 190 113226.60 0.30459110 *
13) age_f>=35.5 203 120980.50 0.10814440 *
28) age_f>=42.5 139 82833.20 -0.30201470 *
58) age_f< 19.5 147 87604.92 -0.16367870 *
118) edu>=13 447 266392.50 0.03538975 *
119) edu< 13 352 209764.50 0.27346110 *
60) fw_b< 2010.5 196 116807.30 -0.07681612 *
61) fw_b>=2010.5 395 235400.30 0.14465570 *
31) age_f>=33.5 125 74491.10 0.31009760 *
