用于多重处理及其相互作用效应的双机器学习方法
统计方法学
2026-03-24 v2 应用统计
摘要
因果推断文献广泛关注二元处理，但针对多取值处理的研究相对不足。尤其是针对同时分配的多重处理的方法仍不够探索，尽管在实际应用中具有重要意义。本文引入两种设定：(1) 估计不同类型的多重处理（二元、分类和连续）及处理相互作用的效应，(2) 估计多取值方案在不同类别中的平均处理效应。为获得这两种设定的稳健估计，本文提出了一类基于双机器学习（DML）框架的方法。我们的方法适用于多重处理/方案的复杂情形，利用机器学习建模混杂关系，同时通过诺耶曼正交性和交叉拟合克服正则化和过拟合偏差。据我们了解，本工作是首次将机器学习应用于在多重处理存在下估计相互作用效应的稳健方法。我们进一步建立了估计量的渐近分布，并推导了用于统计推断的方差估计。大量模拟实验表明，我们的方法性能优异。最后，我们将方法应用于研究非洲尼日利亚 2455 名成年 HIV 患者中三种治疗对 HIV 相关肾病的影响。
引用
@article{arxiv.2505.12617,
title = {Double machine learning to estimate the effects of multiple treatments and their interactions},
author = {Qingyan Xiang and Yubai Yuan and Dongyuan Song and Usman J. Wudil and Muktar H. Aliyu and C. William Wester and Bryan E. Shepherd},
journal= {arXiv preprint arXiv:2505.12617},
year = {2026}
}