超越Flatland:处理效应估计中匹配方法的几何视角
机器学习
2025-05-07 v2
摘要
匹配是因果推断中通过配对在协变量信息上最相似的处理组和对照组单元来估计处理效应的一种流行方法。然而,经典的匹配方法完全忽略了数据流形的几何结构,这对于定义有意义的匹配距离至关重要,并且在协变量含噪且高维时表现不佳。在这项工作中,我们提出了GeoMatching,一种在估计处理效应时考虑由混杂变量间现有因果机制诱导的内在数据几何的匹配方法。首先,我们学习一个低维的潜在黎曼流形,以解释原始输入数据的不确定性和几何结构。其次,我们基于学习到的潜在黎曼度量在潜在空间中通过匹配来估计处理效应。我们在合成和真实场景中提供了理论见解和实证结果,证明GeoMatching产生了更有效的处理效应估计量,即使在我们增加输入维度、存在异常值或在半监督场景中也是如此。
引用
@article{arxiv.2409.05459,
title = {Beyond Flatland: A Geometric Take on Matching Methods for Treatment Effect Estimation},
author = {Melanie F. Pradier and Javier González},
journal= {arXiv preprint arXiv:2409.05459},
year = {2025}
}