因果推断的自动化与自行分析方法：来自数据分析竞赛的经验教训
统计方法学
2018-07-23 v5 机器学习
摘要
统计学家在创建减少我们对参数假设依赖的方法方面取得了巨大进展。然而，这种研究的爆发导致推断策略的广度既创造了更可靠推断的机会，也使应用研究者必须做出并辩护的选择复杂化。相关地，倡导新方法的研究者通常将其方法与至多2或3种其他因果推断策略进行比较，并使用模拟进行测试，这些模拟可能或不可能被设计为同等揭示所有竞争方法的缺陷。因果推断数据分析挑战赛“Is Your SATT Where It's At?”作为2016年大西洋因果推断会议的一部分启动，旨在在这两个问题上取得进展。创建数据测试平台的研究者与提交方法（其功效将被评估）的研究者是不同的。本文展示了来自两个版本竞赛（黑盒算法和自行分析）的30名竞争者的结果，以及事后分析，这些分析揭示了影响性能的因果推断策略和环境特征的信息。最一致的结论是，灵活建模响应面的方法总体上优于未能这样做的方法。最后，提出了结合几种表现最佳的提交方法特征的新方法。
引用
@article{arxiv.1707.02641,
title = {Automated versus do-it-yourself methods for causal inference: Lessons learned from a data analysis competition},
author = {Vincent Dorie and Jennifer Hill and Uri Shalit and Marc Scott and Dan Cervone},
journal= {arXiv preprint arXiv:1707.02641},
year = {2018}
}