通过正交正则化估计平均处理效应
机器学习
2021-10-14 v4 机器学习
摘要
决策制定常常需要基于观测数据准确估计处理效应。这具有挑战性，因为替代决策的结果未被观测到而必须被估计。已有方法基于无混杂性估计结果，却忽略了无混杂性对结果所施加的约束。本文提出一种利用无混杂性来估计平均处理效应的新颖正则化框架。为此，我们将无混杂性形式化为一个正交约束，该约束确保结果正交于处理分配。随后通过正则化将该正交约束纳入损失函数。基于我们的正则化框架，我们开发了用于处理无混杂情形的深度正交网络（DONUT），其学习正交于处理分配的结果。利用多种用于估计平均处理效应的基准数据集，我们证明 DONUT 大幅优于当前最优方法。
引用
@article{arxiv.2101.08490,
title = {Estimating Average Treatment Effects via Orthogonal Regularization},
author = {Tobias Hatt and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2101.08490},
year = {2021}
}