基于偏差驱动的分层方法用于可解释因果效应估计
统计方法学
2024-02-01 v1 机器学习
机器学习
摘要
可解释性和透明性对于将来自观察数据中的因果效应模型纳入政策决策至关重要。它们可以在缺乏评估此类模型准确性的真实标签时为模型提供信任。目前，面向透明因果效应估计的尝试 consist of 将后验解释方法应用于黑箱模型，这些方法本身不可解释。本文提出了 BICauseTree：一种可解释的平衡方法，用于识别局部自然实验发生的簇。我们的做法基于决策树，采用定制的目标函数以提高平衡性并减少治疗分配偏差。因此，它还能检测呈现正性违规的子群，排除这些子群，并提供一种基于协变量的目标人群定义，从而可推广。我们使用合成数据和真实数据评估该方法的性能，探讨其偏差-可解释性之间的权衡，表明其与现有方法相当。
引用
@article{arxiv.2401.17737,
title = {Hierarchical Bias-Driven Stratification for Interpretable Causal Effect Estimation},
author = {Lucile Ter-Minassian and Liran Szlak and Ehud Karavani and Chris Holmes and Yishai Shimoni},
journal= {arXiv preprint arXiv:2401.17737},
year = {2024}
}