改进随机对照试验数据上的 uplift 模型评估

估计处理效应是数据分析师最具挑战性且最重要的任务之一。在许多应用中，如在线营销和个性化医疗，需要将处理分配给那些能产生较高正向处理效应的个体。uplift 模型有助于为处理筛选合适的个体并最大化整体处理效应（uplift）。uplift 建模的一个主要挑战在于模型评估。已有文献提出了诸如 Qini 曲线和转换结果均方误差等方法。然而，这些指标受方差影响：其评估结果强烈受到数据中随机噪声的干扰，在一定程度上使其信号具有任意性。我们从理论上分析了 uplift 评估指标的方差，并推导了基于结果统计调整的可能的方差缩减方法。我们给出了方差缩减方法改善 uplift 评估指标的简单条件，并在模拟和真实世界数据上实证展示了其益处。我们的论文提供了有力证据，支持在随机对照试验（RCT）数据上评估 uplift 模型时默认应用所建议的方差缩减程序。