基于图像的处理效应异质性
机器学习
2023-05-26 v5 统计方法学
摘要
随机对照试验(RCTs)被认为是估计干预平均处理效应(ATE)的金标准。RCTs 的一个用途是研究全球贫困的成因——这一主题在 2019 年授予 Duflo、Banerjee 和 Kremer 的诺贝尔纪念奖中明确提出，以表彰其"以实验方法缓解全球贫困"。由于 ATE 是群体汇总量，减贫实验常试图通过在 RCT 数据收集期间测量的表格变量(如年龄和种族)上进行条件化(CATE)来拆解 ATE 周围的效应变异。尽管此类变量是拆解 CATE 的关键，但仅使用这类变量可能无法捕捉对效应变异有历史、地理或邻里特定贡献的因素，因为表格型 RCT 数据通常仅在实验临近时观测到。在全球贫困研究中，当实验单元的位置近似已知时，卫星图像可提供了解此类异质性重要因素的窗口。然而，目前尚无专门使应用研究者能从图像分析 CATE 的方法。本文中，我们利用深度概率建模框架，发展了这样的方法：通过识别具有相似处理效应分布的图像来估计图像的潜在聚类。我们的可解释图像 CATE 模型还包含一个敏感性因子，量化对效应聚类预测有贡献的图像片段的重要性。我们在模拟中将所提方法与替代方法比较；同时，我们展示了模型在真实 RCT 中的表现，估计了乌干达北部一项减贫干预的效应，并对全国其余未收集实验数据的地区获得了效应的后验预测分布。我们以开源软件提供所有模型。
引用
@article{arxiv.2206.06417,
title = {Image-based Treatment Effect Heterogeneity},
author = {Connor T. Jerzak and Fredrik Johansson and Adel Daoud},
journal= {arXiv preprint arXiv:2206.06417},
year = {2023}
}
备注
Accepted at the Second Conference on Causal Learning and Reasoning (CLeaR), Proceedings of Machine Learning Research (PMLR)