用于发现分布性处理效应修饰因子的特征选择
机器学习
2022-06-14 v3 机器学习
摘要
寻找与处理效应差异相关的特征对于揭示潜在因果机制至关重要。现有方法通过衡量特征属性如何影响条件平均处理效应（CATE）的程度来寻找此类特征。然而，这些方法可能忽略重要特征，因为 CATE 作为平均处理效应的度量，无法检测除均值外的分布参数差异（如方差）。为解决现有方法的这一缺陷，我们提出了一种用于发现分布性处理效应修饰因子的特征选择框架。我们首先形式化了一个特征重要性度量，量化特征属性对潜在结果分布间差异的影响强度。随后推导出其计算高效的估计量，并开发了能将第一类错误率控制在期望水平的特征选择算法。实验结果表明，我们的框架成功发现了重要特征，并优于现有的基于均值的方法。
引用
@article{arxiv.2206.00516,
title = {Feature Selection for Discovering Distributional Treatment Effect Modifiers},
author = {Yoichi Chikahara and Makoto Yamada and Hisashi Kashima},
journal= {arXiv preprint arXiv:2206.00516},
year = {2022}
}
备注
18 pages, Accepted to UAI2022