多重鲁棒估计量规避因果推断中神经网络模型的超参数调优
统计方法学
2023-07-21 v1 统计理论
机器学习
统计理论
摘要
平均处理效应（ATE）的估计通常分两步进行：第一步对处理与结果建模，第二步将预测值代入 ATE 估计量。在第一步中，可对处理与结果拟合众多模型，包括使用机器学习算法。然而，在超参数集中选择能给出最佳因果效应估计与推断者是一项困难任务。多重鲁棒（MR）估计量允许我们在单一估计量中利用所有第一步模型。我们证明，若某一个第一步处理或结果模型是 一致的，则 MR 估计量是 一致的。我们还证明 MR 是一类广泛估计方程的解，且若某一个处理模型是 -一致的，则 MR 渐近正态。MR 的标准误亦被算出，且不要求知道第一步中的真实模型。我们的模拟研究支持了理论发现。
引用
@article{arxiv.2307.10536,
title = {Multiply Robust Estimator Circumvents Hyperparameter Tuning of Neural Network Models in Causal Inference},
author = {Mehdi Rostami and Olli Saarela},
journal= {arXiv preprint arXiv:2307.10536},
year = {2023}
}