适配神经网络用于因果效应估计
机器学习
2019-10-21 v2 机器学习
统计方法学
摘要
本文探讨利用神经网络从观测数据估计处理效应（treatment effects）。一般而言，估计分两个阶段进行。首先，我们为每个单元拟合期望结果模型和接受处理的概率模型（倾向得分）。其次，将这些拟合模型代入下游的效应估计量中。神经网络是第一步模型的自然选择。我们解决的问题是：如何调整第一步所用神经网络的设计与训练，以提升处理效应最终估计的质量？基于因果效应估计统计文献的见解，我们提出两种适配方法。其一是新架构 Dragonnet，它利用了倾向得分对估计调整的充分性。其二是正则化过程——目标正则化（targeted regularization），它使模型偏向具有非参数最优渐近性质‘开箱即用’的模型。在因果推断基准数据集上的研究表明，这些适配方法优于现有方法。代码见 github.com/claudiashi57/dragonnet。
引用
@article{arxiv.1906.02120,
title = {Adapting Neural Networks for the Estimation of Treatment Effects},
author = {Claudia Shi and David M. Blei and Victor Veitch},
journal= {arXiv preprint arXiv:1906.02120},
year = {2019}
}