一类双重稳健泛函的极小极大核机器学习及其在近邻因果推断中的应用
机器学习
2022-03-08 v3 机器学习
计量经济学
统计理论
统计理论
摘要
Robins 等人（2008）引入了一类影响函数（IF），可用于获得相应参数的双重稳健矩函数。然而，该类并不包含那些干扰函数作为积分方程解的参数的 IF。此类参数在因果推断领域尤为重要，特别是在 Tchetgen Tchetgen 等人（2020）近期提出的近邻因果推断框架中，其允许在存在潜在混杂因素的情况下估计因果效应。本文首先将 Robins 等人的类推广到包含干扰函数为积分方程解的双重稳健 IF。接着我们证明，这些 IF 的双重稳健性可被用以构造干扰函数的估计方程，从而使我们无需借助参数模型即可求解积分方程。我们将干扰函数的估计表述为一个极小极大优化问题。我们给出了干扰函数的收敛速率以及所关注参数估计量渐近线性所需的条件。实验结果表明，我们提出的方法在近邻因果推断框架下对平均因果效应产生了稳健且高性能的估计量。
引用
@article{arxiv.2104.02929,
title = {Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals with Application to Proximal Causal Inference},
author = {AmirEmad Ghassami and Andrew Ying and Ilya Shpitser and Eric Tchetgen Tchetgen},
journal= {arXiv preprint arXiv:2104.02929},
year = {2022}
}
备注
Accepted to the 25th International Conference on Artificial Intelligence and Statistics (AISTATS) 2022