利用二元工具变量在未观测混杂下估计个体处理效应

从观测数据估计条件平均处理效应（CATEs）在个性化医疗等诸多领域具有相关性。然而在实践中，处理分配通常受未观测变量混杂，从而引入偏倚。消除偏倚的一种补救方法是使用工具变量（IVs）。此类设定在医学中广泛存在（例如以处理分配作为二元 IV 的试验）。本文提出一种新颖的、多重鲁棒机器学习框架，称为 MRIV，利用二元 IV 估计 CATEs，从而得到无偏的 CATE 估计量。与先前二元 IV 的工作不同，我们的框架通过伪结果回归直接估计 CATE。(1) 我们提供理论分析，表明我们的框架产生多重鲁棒收敛速率：即使若干干扰估计量收敛缓慢，我们的 CATE 估计量仍实现快速收敛。(2) 我们进一步表明，在 CATE 比个体结果曲面更光滑的意义上，我们的框架在渐近上优于最先进的插件式 IV 方法用于 CATE 估计。(3) 我们基于理论结果提出一种定制的深度神经网络架构 MRIV-Net，用于利用二元 IV 估计 CATE。在各种计算实验中，我们实证表明我们的 MRIV-Net 达到了最先进的性能。据我们所知，我们的 MRIV 是首个专为二元 IV 设定下估计 CATEs 定制的多重鲁棒机器学习框架。