在选择性且平衡表示空间中匹配以估计处理效应
机器学习
2021-06-08 v2 机器学习
统计方法学
摘要
在科技各领域正见证观测数据可用性的急剧增长，这促进了因果推断的研究。然而，从观测数据估计处理效应面临两大挑战：反事实结果的缺失与处理选择偏差。匹配方法是最广泛使用和基础的处理效应估计方法之一，但现有匹配方法在面对具有高维复杂变量的数据时表现不佳。我们提出一种基于深度表示学习与匹配的特征选择表示匹配（feature selection representation matching, FSRM）方法，其将原始协变量空间映射到一个选择性、非线性和平衡的表示空间，然后在学到的表示空间中进行匹配。FSRM 采用深度特征选择以最小化无关变量对处理效应估计的影响，并引入基于 Wasserstein 距离的正则化项来学习平衡表示。我们在三个数据集上评估了 FSRM 方法的性能，结果表明其优于最先进（state-of-the-art）方法。
引用
@article{arxiv.2009.06828,
title = {Matching in Selective and Balanced Representation Space for Treatment Effects Estimation},
author = {Zhixuan Chu and Stephen L. Rathbun and Sheng Li},
journal= {arXiv preprint arXiv:2009.06828},
year = {2021}
}
备注
Proceedings of the 29th ACM International Conference on Information and Knowledge Management (CIKM '20)