在最坏情形子群体上评估外部有效性
机器学习
2022-02-04 v3 机器学习
计量经济学
摘要
研究人群通常从有限时空点抽样，且边缘化群体代表性不足。为评估随机与观察性研究的外部有效性，我们提出并评估了给定规模所有子群体上的最坏情形处理效应（WTE），其保证阳性发现在子群体上仍然有效。我们为 WTE 开发了半参数有效估计量，分析平均处理效应的增广逆概率加权估计量的外部有效性。我们的交叉拟合过程利用灵活的非参数与基于机器学习的 nuisance 参数估计，并且即使 nuisance 估计收敛较慢，仍是正则的 root- 估计量。在外部有效性为核心关切的真实例子中，我们提出的框架防范了因未预期人群偏移而失效的脆弱发现。
引用
@article{arxiv.2007.02411,
title = {Assessing External Validity Over Worst-case Subpopulations},
author = {Sookyo Jeong and Hongseok Namkoong},
journal= {arXiv preprint arXiv:2007.02411},
year = {2022}
}
备注
A previous version of the paper circulated under the title "Robust Causal Inference Under Covariate Shift via Worst-Case Subpopulation Treatment Effects" appeared in COLT 2020