通过决定观测内容实现因果效应的高效在线估计
机器学习
2021-11-02 v2 计量经济学
机器学习
摘要
研究者常面临数据融合问题，其中多个数据源可用，每个捕获一组不同的变量子集。虽然问题表述通常将数据视为给定，但实际上数据获取可是一个持续过程。在本文中，我们旨在通过在每个时刻决定查询哪个数据源，尽可能高效地估计概率模型的任意泛函（例如因果效应）。我们提出在线矩选择（OMS），一个将结构假设编码为矩条件的框架。每步的最优动作部分依赖于识别感兴趣泛函的那些矩本身。我们的算法在探索与按当前矩估计所建议的最佳动作选择之间取得平衡。我们提出两种选择策略：（1）先探索后提交（OMS-ETC）与（2）先探索后贪婪（OMS-ETG），证明两者在 MSE 意义上均达到零渐近遗憾。我们将该设定实例化为平均处理效应估计，其中结构假设由因果图给出，数据源可包含中介变量、混杂变量和工具变量的子集。
引用
@article{arxiv.2108.09265,
title = {Efficient Online Estimation of Causal Effects by Deciding What to Observe},
author = {Shantanu Gupta and Zachary C. Lipton and David Childers},
journal= {arXiv preprint arXiv:2108.09265},
year = {2021}
}
备注
Accepted at NeurIPS 2021