剂量条件平均处理效应的泛化界与估计算法
机器学习
2022-05-31 v1
摘要
我们研究从观测数据与对底层系统因果关系的假设相结合来估计处理-剂量对的条件平均因果效应的任务。对于流行病学或经济学等需要根据处理-剂量对做出决策但可能无法运行随机试验来精确量化其效应及个体间异质性的研究领域，这一直是一项长期挑战。本文中，我们扩展 (Shalit et al, 2017)，给出连续剂量参数下反事实泛化误差的新界，其依赖于定义反事实与分配偏差调整的不同方法。该结果进而指导了可用于训练表示学习算法的新的学习目标的定义，我们凭经验表明其在这一问题的多个基准数据集上取得了新的 state-of-the-art 性能结果，包括与双重稳健估计方法的比较。
引用
@article{arxiv.2205.14692,
title = {Generalization bounds and algorithms for estimating conditional average treatment effect of dosage},
author = {Alexis Bellot and Anish Dhir and Giulia Prando},
journal= {arXiv preprint arXiv:2205.14692},
year = {2022}
}