基于优化的异质环境中的因果估计

本文提出一种新的用于因果估计的优化方法。给定包含协变量和结局的数据，哪些协变量是结局的原因，以及因果关系的强度如何？在经典机器学习（ML）中，优化的目标是最大化预测精度。然而，某些协变量可能与结局表现出非因果关联。此类伪关联为经典 ML 提供预测能力，但阻碍我们对结果进行因果解释。本文提出 CoCo，一种弥合纯预测与因果推断之间差距的优化算法。CoCo 利用了近来提出的环境思想——协变量/响应数据集，其中因果关系保持不变，但协变量的分布在不同环境之间变化。给定来自多个环境的数据集——且这些数据集表现出充分异质性——CoCo 最大化一个目标函数，其唯一解为因果解。我们描述了该方法的理论基础，并在模拟和真实数据集上展示了其有效性。与经典 ML 和现有方法相比，CoCo 提供了更准确的因果模型估计以及在干预下更准确的预测。