基于训练核的 Nadaraya-Watson 回归的异质处理效应估计
机器学习
2022-07-20 v1 机器学习
摘要
本文提出了一种估计条件平均处理效应的新方法。该方法称为 TNW-CATE（用于 CATE 的可训练 Nadaraya-Watson 回归），其基于控制组样本量较大而处理组样本量较小的假设。TNW-CATE 使用 Nadaraya-Watson 回归来预测控制组和处理组患者的结局。TNW-CATE 背后的核心思想是通过一种特定形式的权重共享神经网络来训练 Nadaraya-Watson 回归的核。该网络在控制组上训练，并用一组带共享参数的神经子网络替代标准核，使得每个子网络实现可训练核，而整个网络实现 Nadaraya-Watson 估计量。该网络记忆了特征向量在特征空间中的分布位置。所提方法类似于源域与目标域数据相似但任务不同的迁移学习。多种数值模拟实验展示了 TNW-CATE，并将其与著名的 T-learner、S-learner 和 X-learner 在若干类控制和处理结局函数下进行比较。实现 TNW-CATE 的算法代码见 https://github.com/Stasychbr/TNW-CATE。
引用
@article{arxiv.2207.09139,
title = {Heterogeneous Treatment Effect with Trained Kernels of the Nadaraya-Watson Regression},
author = {Andrei V. Konstantinov and Stanislav R. Kirpichenko and Lev V. Utkin},
journal= {arXiv preprint arXiv:2207.09139},
year = {2022}
}