基于鼓励的通用工具变量用于反事实回归
机器学习
2024-12-20 v2 统计方法学
机器学习
摘要
在因果推断中，鼓励设计（EDs）被广泛用于分析因果效应，当随机对照试验（RCTs）不可行或无法严格强制执行治疗时。与RCTs直接分配治疗不同，EDs随机分配鼓励政策，以积极动机驱动个体参与特定治疗。这些随机鼓励充当工具变量（IV），通过利用离散治疗情景中的外源性扰动来促进因果效应的识别。然而，鼓励设计的实际应用常面临随机性不完整、实验数据有限以及鼓励次数显著少于治疗次数的挑战，阻碍了精确的因果效应估计。为此，本文引入了新的理论和算法，用于识别利用鼓励变化的条件平均处理效应（CATE）。进一步地，结合观察性数据和鼓励数据，我们提出了一种通用工具变量估计器，命名为鼓励式反事实回归（EnCounteR），以有效估计因果效应。在合成数据和真实数据上的大量实验表明，EnCounteR在现有方法之上具有优势。
引用
@article{arxiv.2408.05428,
title = {Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression},
author = {Anpeng Wu and Kun Kuang and Ruoxuan Xiong and Xiangwei Chen and Zexu Sun and Fei Wu and Kun Zhang},
journal= {arXiv preprint arXiv:2408.05428},
year = {2024}
}