基于深度神经网络的无维度平均处理效应推断
机器学习
2021-12-06 v1 机器学习
统计理论
统计理论
摘要
本文在潜在结果框架下研究使用深度神经网络(DNNs)对平均处理效应(ATE)进行估计与推断。在一些正则条件下，观测响应可表述为一个均值回归问题的响应，其中混杂变量与处理指示变量均为自变量。利用该表述，我们基于通过特定网络架构的 DNN 回归所估计的均值回归函数，研究了两种用于 ATE 估计与推断的方法。我们证明在关于底层真实均值回归模型的某些假设下，两种 DNN 的 ATE 估计量均具有无维度一致性速率的一致性。我们的模型假设容纳了观测响应对协变量的潜在复杂依赖结构，包括潜在因子以及处理指示变量与混杂变量之间的非线性交互。我们还基于样本分割的思想建立了估计量的渐近正态性，从而确保精确的推断与不确定性量化。模拟研究与真实数据应用验证了我们的理论发现并支持我们的 DNN 估计与推断方法。
引用
@article{arxiv.2112.01574,
title = {Dimension-Free Average Treatment Effect Inference with Deep Neural Networks},
author = {Xinze Du and Yingying Fan and Jinchi Lv and Tianshu Sun and Patrick Vossler},
journal= {arXiv preprint arXiv:2112.01574},
year = {2021}
}
备注
56 pages, 22 figures