大规模数字实验中结合机器学习的因果分群分析框架
统计方法学
2021-11-03 v1 机器学习
应用统计
机器学习
摘要
我们提出了一个端到端的因果分群发现方法学框架,旨在揭示大规模数字实验中处理效应在不同用户子群间的差异影响。基于因果推断与非/半参数统计的最新进展,我们的方法统一了两个目标:(1) 基于子群特定处理效应发现可从候选处理中获益的用户分群;(2) 评估根据预测的分群特定获益或危害将单元动态分配至研究处理组的因果影响。我们的方案与模型无关,能够将最先进的机器学习算法纳入估计过程,并适用于随机 A/B 测试与准实验。我们介绍了开源 R 语言包实现 sherlock。
引用
@article{arxiv.2111.01223,
title = {A framework for causal segmentation analysis with machine learning in large-scale digital experiments},
author = {Nima S. Hejazi and Wenjing Zheng and Sathya Anand},
journal= {arXiv preprint arXiv:2111.01223},
year = {2021}
}
备注
Accepted by the 8th annual Conference on Digital Experimentation (CODE) at MIT