从观察数据估计受遗漏混杂变量下的个体剂量-反应曲线
机器学习
2024-10-22 v1 机器学习
摘要
估计个体对连续可变治疗的潜在响应对于跨领域的因果问题（如医疗保健和社会科学）至关重要。然而，现有方法要么局限于估计二元治疗的因果效应，要么局限于所有混杂变量可测量的情景。本文提出 ContiVAE，一个用于从观察数据中考虑不可观测混杂变量的情况下估计连续治疗因果效应的新框架。 ContiVAE 采用带有倾斜高斯先验分布的变分自编码器，模型化隐藏混杂变量作为潜在变量，能够为每个个体预测任意治疗水平的潜在结果，同时有效捕捉个体间的异质性。在半合成数据集上的实验表明，ContiVAE 相较于现有方法可提升最高达 62%，显示其鲁棒性和灵活性。应用到真实数据集后，说明了其实际效用。
引用
@article{arxiv.2410.15706,
title = {Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data},
author = {Shutong Chen and Yang Li},
journal= {arXiv preprint arXiv:2410.15706},
year = {2024}
}