用于推断配对溢出效应的关联因果变分自编码器

从观测数据建模溢出效应是经济学、商业及其他研究领域的重要问题。它帮助我们推断两组看似无关事件之间的因果关系。例如，若美国消费者支出下降，则对以美国为最大出口市场的经济体产生溢出效应。本文旨在推断实体（或单元）对之间导致溢出效应的因果关系，我们称之为\textit{配对溢出}。为此，我们利用变分推断和深度学习技术的近期进展，提出一种称为关联因果变分自编码器（LCVA）的生成模型。类似于变分自编码器（VAE），LCVA结合编码器神经网络以学习潜在属性，以及解码器网络以重建输入。然而，与VAE不同，LCVA将\textit{潜在属性视为影响单元处理与结果的混杂因子}。具体地，给定一对单元$u$和$\bar{u}$、它们各自的处理与结果，LCVA的编码器网络通过以$u$的观测协变量、$u$与$\bar{u}$的处理以及$u$的结果为条件来采样混杂因子。一旦推断得出，$u$的潜在属性（或混杂因子）即捕获了$\bar{u}$对$u$的溢出效应。利用来自职业培训数据集（LaLonde (1986)）的用户网络和来自亚马逊电商领域的共同购买数据集，我们表明LCVA在捕获溢出效应方面比现有方法显著更鲁棒。