观测性研究中重叠特征的刻画

处理组之间的重叠是非参数估计因果效应所必需的。如果某一受试者子群总是接受相同的干预，在没有进一步假设的情况下，我们无法估计干预改变对该子群的影响。当重叠在全局上不成立时，刻画局部的重叠区域可以告知因果结论对新受试者的相关性，并有助于指导额外的数据收集。为了产生实际影响，这些描述必须让非机器学习专家的下游用户（如政策制定者）能够理解。我们将重叠估计形式化为一个在覆盖约束下寻找最小体积集的问题，并将该问题归约为使用布尔规则分类器的二分类问题。随后我们将该方法推广到离策略策略评估中的重叠估计。在多个真实世界应用中，我们证明了这些规则与黑盒估计器具有相当的准确率，并提供了直观且信息丰富的解释，可为政策制定提供参考。