CURLS：用于发现显著处理效应子群的因果规则学习方法
机器学习
2024-07-02 v1 统计方法学
摘要
在因果推断中，估计异质处理效应（HTE）对于识别不同子群对干预的反应至关重要，具有广泛的应用前景，如精准医学和个性化广告。尽管HTE估计方法旨在提高准确性，但如何提供明确的子群描述仍不清晰，这阻碍了数据解释和战略干预管理。本文提出CURLS，一种新颖的规则学习方法，利用HTE有效描述具有显著处理效应的子群。具体而言，我们将因果规则学习建模为离散优化问题，细致平衡处理效应与方差，并考虑规则可解释性。我们设计了基于次优极大化算法的迭代程序，并求解亚调和下界作为原问题的近似。定量实验和定性案例研究验证了与最先进方法相比，CURLS在发现估计值和真实效应分别提高16.1%和13.8%，方差缩小12.0%，同时保持类似或更好的估计准确性和规则可解释性。代码已公开于https://osf.io/zwp2k/。
引用
@article{arxiv.2407.01004,
title = {CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect},
author = {Jiehui Zhou and Linxiao Yang and Xingyu Liu and Xinyue Gu and Liang Sun and Wei Chen},
journal= {arXiv preprint arXiv:2407.01004},
year = {2024}
}
备注
12 pages, 3 figures