面向个体处理效应预测推断的保形元学习器
机器学习
2023-08-30 v1
摘要
我们研究基于机器学习（ML）的个体处理效应（ITEs）预测推断问题。先前工作主要关注开发基于 ML 的元学习器，以提供条件平均处理效应（CATE）的点估计；这些是将中间干扰项估计进行组合以产生 CATE 估计的模型无关方法。本文中，我们开发保形元学习器，一种通过在 CATE 元学习器之上应用标准保形预测（CP）流程来发布 ITE 预测区间的通用框架。我们聚焦于基于两阶段伪结果回归的一大类元学习器，并开发随机序框架以研究其有效性。我们表明，若其（伪结果）一致性得分随机支配在未观测 ITE 上评估的预言一致性得分，则保形元学习器的推断在边际上有效。此外，我们证明常用的 CATE 元学习器（如双重稳健学习器）满足模型与分布无关的随机（或凸）支配条件，使其保形推断对实际相关的目标覆盖水平有效。现有流程通过加权 CP 对干扰参数（即潜在结果）进行推断，而保形元学习器实现对目标参数（ITE）的直接推断。数值实验表明，保形元学习器提供有效区间且效率具竞争力，同时保留 CATE 元学习器有利的点估计性质。
引用
@article{arxiv.2308.14895,
title = {Conformal Meta-learners for Predictive Inference of Individual Treatment Effects},
author = {Ahmed Alaa and Zaid Ahmad and Mark van der Laan},
journal= {arXiv preprint arXiv:2308.14895},
year = {2023}
}