GCF：用于在线市场异质处理效应估计的广义因果森林
机器学习
2022-09-27 v2 机器学习
应用统计
统计方法学
摘要
uplift建模是一种快速发展的方法，利用因果推断与机器学习方法直接估计异质处理效应，近年来已广泛应用于各类在线市场以辅助大规模决策。现有流行模型（如因果森林（CF））局限于离散处理，或对结果-处理关系施加参数化假设，可能遭受模型误设问题。然而，连续处理（如价格、时长）在市场场景中频繁出现。为缓解这些限制，我们使用基于核的双重稳健估计器来恢复非参数剂量-响应函数，从而灵活建模连续处理效应。此外，我们提出一种通用的基于距离的分裂准则以捕捉连续处理的异质性。我们将所提算法称为广义因果森林（GCF），因其将CF的用例推广至更广的设置。我们通过推导估计量的渐近性质，并在合成与真实数据集上与流行uplift建模方法比较，展示了GCF的有效性。我们在Spark上实现GCF，并成功将其部署于一家领先网约车公司的大规模在线定价系统。在线A/B测试结果进一步验证了GCF的优越性。
引用
@article{arxiv.2203.10975,
title = {GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace},
author = {Shu Wan and Chen Zheng and Zhonggen Sun and Mengfan Xu and Xiaoqing Yang and Hongtu Zhu and Jiecheng Guo},
journal= {arXiv preprint arXiv:2203.10975},
year = {2022}
}