解混杂时序自编码器:利用含噪代理变量估计随时间变化的处理效应
机器学习
2021-12-07 v1 机器学习
摘要
从观测数据估计个体化处理效应(ITEs)对决策至关重要。为获得无偏的 ITE 估计,一个常见假设是所有混杂因素均被观测到。然而在实践中,我们不太可能直接观测这些混杂因素。相反,我们经常观测到真实混杂因素的含噪度量,其可作为有效代理变量。本文中,我们解决纵向设定下观测含噪代理而非真实混杂因素时的 ITE 估计问题。为此,我们开发了解混杂时序自编码器(DTA),一种利用观测含噪代理学习反映真实隐藏混杂因素的隐藏嵌入的新方法。具体而言,DTA 将长短期记忆自编码器与因果正则化惩罚相结合,使得在给定所学隐藏嵌入的条件下,潜在结果和处理分配条件独立。一旦通过 DTA 学到隐藏嵌入,便可利用最先进的结果模型对其加以控制并获得无偏的 ITE 估计。利用合成与真实世界医疗数据,我们证明 DTA 相较最先进基准有大幅改进,展现了其有效性。
引用
@article{arxiv.2112.03013,
title = {Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies},
author = {Milan Kuzmanovic and Tobias Hatt and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2112.03013},
year = {2021}
}