黑箱因果推断：基于元预测的效应估计
机器学习
2025-03-11 v1 人工智能
统计计算
统计方法学
机器学习
摘要
因果推断与因果效应估计在医疗保健和经济学等众多领域的决策中发挥着核心作用。估计因果效应通常需要为每个感兴趣的问题量身定制一个估计器。然而，即使对于单一的因果推断场景，开发估计器也可能需要耗费大量精力。例如，针对带有观测混杂因子的因果估计，回归估计器、倾向得分方法和双重稳健方法的算法历经数十年才被设计出来。类似地，已开发出多种利用工具变量的估计器，包括两阶段最小二乘法（TSLS）、控制函数法和矩方法。在本工作中，我们将因果推断构建为数据集级别的预测问题，将算法设计交由学习过程完成。我们引入的方法称为黑箱因果推断（BBCI），它通过学习从采样数据集-效应对中预测因果效应，以黑箱方式构建估计器。我们展示了 BBCI 在多个具有已知可识别性的因果推断问题中对平均处理效应和条件平均处理效应的准确估计，包括针对估计器发展尚不充分的问题。
引用
@article{arxiv.2503.05985,
title = {Black Box Causal Inference: Effect Estimation via Meta Prediction},
author = {Lucius E. J. Bynum and Aahlad Manas Puli and Diego Herrero-Quevedo and Nhi Nguyen and Carlos Fernandez-Granda and Kyunghyun Cho and Rajesh Ranganath},
journal= {arXiv preprint arXiv:2503.05985},
year = {2025}
}