因果规则集成：异质性处理效应的可解释发现与推断
统计方法学
2024-05-28 v6 机器学习
摘要
在健康与社会科学中，识别研究人群中相对于总体平均处理效应存在显著异质性（HTE）的子群至关重要。决策树因其高度可解释性而被提出并普遍用于 HTE 的数据驱动发现。然而，单树发现 HTE 可能不稳定且过度简化。本文引入因果规则集成（CRE），一种利用树集成方法进行 HTE 发现与估计的新方法。CRE 具有若干关键特性，包括 1）HTE 的可解释表示；2）探索复杂异质性模式的能力；以及 3）子群发现的高稳定性。所发现的子群由可解释的决策规则定义。子群特定因果效应的估计通过两阶段方法进行，我们为其提供了理论保证。通过模拟，我们表明 CRE 方法与最先进技术相比极具竞争力。最后，我们将 CRE 应用于发现美国本土 3530 万 Medicare 受益人中空气污染暴露对死亡率的异质性健康效应。
引用
@article{arxiv.2009.09036,
title = {Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects},
author = {Falco J. Bargagli-Stoffi and Riccardo Cadei and Kwonsang Lee and Francesca Dominici},
journal= {arXiv preprint arXiv:2009.09036},
year = {2024}
}