面向下游工具变量回归的处理表征学习
机器学习
2025-06-25 v2 统计方法学
摘要
传统的工具变量 (IV) 估计量面临一个基本约束：它们只能容纳与可用工具变量数量相同的内生处理变量。当处理以高维且非结构化的方式呈现时（例如医院中患者治疗路径的描述），这一局限性变得尤为棘手。在此类场景中，研究人员通常在实施IV回归分析之前，求助于应用无监督降维技术来学习低维处理表征。我们表明，由于表征学习步骤中的隐式正则化，此类方法可能会遭受严重的遗漏变量偏差。我们提出了一种新方法，通过在表征学习过程中显式纳入工具变量来构建处理表征。我们的方法为处理具有有限工具变量的高维内生变量提供了一个框架。我们从理论和经验上证明，在这些包含工具信息的表征上拟合IV模型，可确保识别出优化结果预测的方向。我们的实验表明，我们提出的方法优于未纳入工具信息而进行降维的传统两阶段方法。
引用
@article{arxiv.2506.02200,
title = {Learning Treatment Representations for Downstream Instrumental Variable Regression},
author = {Shiangyi Lin and Hui Lan and Vasilis Syrgkanis},
journal= {arXiv preprint arXiv:2506.02200},
year = {2025}
}