失控的因果推断：消费可引导性的估计
机器学习
2023-02-13 v1 计算机与社会
机器学习
摘要
监管者与学者日益关注数字平台的算法行为对消费所产生的因果效应。我们引入一个称为消费可引导性的通用因果推断问题，该问题抽象了诸多令人关注的应用场景。聚焦于观测性设计并利用该问题的结构，我们给出了一组因果可识别性假设，其显著弱化了标准设计中往往不现实的重叠假设。我们方法的关键创新在于显式地对消费随时间的动态进行建模，将平台视为作用于动态系统的控制器。从这一动态系统的视角，我们得以表明，消费的外生变动与适当响应式的算法控制动作足以识别消费的可引导性。我们的结果展示了控制理论与因果推断之间富有成效的相互作用，并通过来自计量经济学、宏观经济学与机器学习的实例加以说明。
引用
@article{arxiv.2302.04989,
title = {Causal Inference out of Control: Estimating the Steerability of Consumption},
author = {Gary Cheng and Moritz Hardt and Celestine Mendler-Dünner},
journal= {arXiv preprint arXiv:2302.04989},
year = {2023}
}