基于神经网络的暴露偏移因果估计

因果推断中的一项基本任务是估计处理变量分布偏移的效应。我们将此问题称为偏移响应函数（SRF）估计。现有的用于因果推断的神经网络方法缺乏对SRF估计的理论保证和实际实现。在本文中，我们引入了基于神经网络的暴露偏移目标正则化方法（TRESNET），这是一种具有鲁棒性和效率保证的SRF估计方法。我们的贡献有两方面。首先，我们为神经网络提出了一种目标正则化损失，其理论性质确保了特定于SRF估计的双重鲁棒性和渐近效率。其次，我们将目标正则化扩展到支持指数族损失函数，以适应非连续的结局分布（例如，离散计数）。我们进行了基准实验，证明了TRESNET的广泛适用性和竞争力。然后，我们将我们的方法应用于公共卫生领域的一个关键政策问题，以估计将美国国家环境空气质量标准（NAAQS）中PM 2.5的标准从12 ${\mu}g/m^3$修订为9 ${\mu}g/m^3$的因果效应。这一变更最近由美国环境保护署（EPA）提出。我们的目标是利用包含全美6800万个体的数据，估计这一预期修订将导致的死亡人数减少。