无因果启发式地学习具有最大处理效应的子群

发现具有最大平均处理效应的子群对于精准医学、公共政策和教育等领域的定向决策至关重要。虽然大多数先前工作是在潜在结果框架下表述的，但该任务对应的结构因果模型（SCM）基本被忽视。在实践中，两种方法占主导地位。第一种方法估计逐点条件处理效应，然后在其估计值上拟合一棵树，实际上将子群估计转化为更难的逐点准确估计问题。第二种方法构建带有临时'因果'启发式的决策树或规则集，通常没有关于为何使用给定启发式或此类启发式是否必要的严格论证。我们通过在SCM框架下直接研究该问题来解决这些问题。在基于分区模型的假设下，我们证明最优子群发现可归结为恢复数据生成模型，从而转化为标准的监督学习问题（回归或分类）。这使得我们可以采用任何基于分区的方法从数据中学习子群。我们以CART（ arguably最广泛使用的基于树的方法之一）实例化该方法，以学习具有最大处理效应的子群。最后，在大量合成和半合成数据集上，我们将我们的方法与广泛的范围的基线方法进行了比较，发现我们的方法——避免了此类因果启发式——更准确地识别出具有最大处理效应的子群。我们的源代码可在 https://github.com/ylincen/causal-subgroup 获取。