面向因果效应估计的混杂特征获取
机器学习
2020-11-18 v1 机器学习
摘要
从观测数据中进行可靠的处理效应估计取决于所有混杂信息的可用性。尽管已有大量工作针对从观测数据中估计处理效应，但在混杂变量缺失情境下的研究相对较少，而在此情境下收集更多混杂变量信息往往成本高昂或耗时。在本工作中，我们将这一挑战构建为因果推断中混杂特征获取的问题。我们的目标是在样本中优先获取固定的、已知的缺失混杂变量子集的取值，以实现高效的平均处理效应估计。我们提出了两种基于 i) 协变量平衡(CB) 和 ii) 降低观测事实结果误差(OE)上的统计估计误差的获取策略。我们在五种常见的因果效应估计方法上比较了 CB 和 OE，并展示了在各种设置下 OE 相较基线方法具有更高的样本效率。我们还提供了可视化以便进一步分析所提方法之间的差异。
引用
@article{arxiv.2011.08753,
title = {Confounding Feature Acquisition for Causal Effect Estimation},
author = {Shirly Wang and Seung Eun Yi and Shalmali Joshi and Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:2011.08753},
year = {2020}
}