基于特征向量拼接与增广的个性化异质处理效应估计
机器学习
2019-09-10 v1 机器学习
摘要
本文提出了一种用于估计条件平均处理效应的新元算法。该算法背后的主要思想是考虑一个由控制组和处理组中彼此接近的样本通过特征向量拼接所构成的新数据集。新数据的结局定义为组成新特征向量的相应样本结局之差。第二个思想基于控制组数量相当大且控制结局函数被精确确定的假设。该假设允许我们通过生成接近于可用处理样本的特征向量来增广处理组。在增广的拼接特征向量集上构建的结局回归函数可视为条件平均处理效应的估计量。还提出了一种基于随机子空间方法或特征袋装（feature bagging）的Co-learner简单改进。各种数值模拟实验说明了所提算法，并显示出其相对于著名的T-learner和X-learner在若干类控制和处理结局函数上的优越性。
引用
@article{arxiv.1909.03894,
title = {Estimation of Personalized Heterogeneous Treatment Effects Using Concatenation and Augmentation of Feature Vectors},
author = {Lev V. Utkin and Mikhail V. Kots and Viacheslav S. Chukanov},
journal= {arXiv preprint arXiv:1909.03894},
year = {2019}
}