一种用于后门与前门调整的神经均值嵌入方法
机器学习
2022-10-14 v1 统计方法学
摘要
我们考虑在两种设定下平均处理效应与反事实处理效应的估计：后门调整与前门调整。两种情况的目标均是在无法获知隐藏混杂因子的情况下恢复处理效应。该目标通过首先估计给定相关协变量的期望结果变量的条件均值（“第一阶段”回归），然后将该函数的（条件）期望作为“第二阶段”步骤来实现。我们提议直接使用回归函数到第一阶段所学输入特征来计算这些条件期望，从而避免采样或密度估计的需要。所有函数与特征（尤其是第二阶段的输出特征）均为从数据自适应学习的神经网络，唯一要求是第一阶段最后一层应为线性。所提方法被证明收敛于真实因果参数，并在具挑战性的因果基准（包括涉及高维图像数据的设定）上优于近期最先进方法。
引用
@article{arxiv.2210.06610,
title = {A Neural Mean Embedding Approach for Back-door and Front-door Adjustment},
author = {Liyuan Xu and Arthur Gretton},
journal= {arXiv preprint arXiv:2210.06610},
year = {2022}
}