个性化干预的差异影响评估：可识别性与边界
机器学习
2019-06-05 v1 机器学习
计量经济学
摘要
社会服务、教育与医疗中的个性化干预利用个体层面的因果效应预测，以便为每个人提供最佳治疗或优先对最有可能受益的个体实施项目干预。尽管这些领域的敏感性迫使我们评估此类政策的公平性，但我们表明，由于真实情况未知，按照真实阳性率等标准观测指标来审计其差异影响实际上是不可能的。无论我们的数据是实验性的还是观测性的，个体在所受干预之外的另一种干预下的实际结果永远无法知晓，只能基于特征进行预测。我们证明了在单调治疗响应这一额外假设下（其在许多应用中可能合理），我们仍可对这类量进行点识别。我们进一步通过对违反单调性程度不同的情形给出尖锐的部分识别边界，对该假设进行敏感性分析。我们展示了如何利用我们的结果通过部分识别的 ROC 与 xROC 曲线来审计个性化干预，并在一个法国职业培训数据集的案例研究中进行了演示。
引用
@article{arxiv.1906.01552,
title = {Assessing Disparate Impacts of Personalized Interventions: Identifiability and Bounds},
author = {Nathan Kallus and Angela Zhou},
journal= {arXiv preprint arXiv:1906.01552},
year = {2019}
}