异质因果效应估计中模型选择的实证分析

Divyat Mahajan; Ioannis Mitliagkas; Brady Neal; Vasilis Syrgkanis

异质因果效应估计中模型选择的实证分析

机器学习 2024-04-30 v3 人工智能统计方法学

作者: Divyat Mahajan , Ioannis Mitliagkas , Brady Neal , Vasilis Syrgkanis

摘要

我们研究因果推断中的模型选择问题，具体针对条件平均处理效应(CATE)估计。与机器学习不同，由于我们无法观测反事实潜在结果，不存在完美类比于交叉验证的模型选择方法。为此，文献中提出了多种仅使用观测数据的 CATE 模型选择替代指标。然而，由于先前研究比较有限，我们对其有效性缺乏良好理解。我们进行了广泛的实证分析，以基准测试文献中引入的以及本工作新引入的替代模型选择指标。我们通过 AutoML 调整与这些指标相关的超参数来确保公平比较，并通过生成建模纳入现实数据集以提供更详细的趋势。我们的分析基于 CATE 估计量与因果集成的细致超参数选择，提出了新颖的模型选择策略。

关键词

模型选择因果推断 CATE 估计替代指标 AutoML 因果集成异质处理效应

引用

@article{arxiv.2211.01939,
  title  = {Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation},
  author = {Divyat Mahajan and Ioannis Mitliagkas and Brady Neal and Vasilis Syrgkanis},
  journal= {arXiv preprint arXiv:2211.01939},
  year   = {2024}
}

备注

Proceedings of the 12th International Conference on Learning Representations (ICLR), 2024. (Spotlight)

异质因果效应估计中模型选择的实证分析

摘要

关键词

引用

备注

相关论文