利用因果图归一化流进行社会科学中的个性化公共政策分析

结构方程/因果模型（SEMs/SCMs）在流行病学与社会科学中广泛用于识别和分析平均因果效应（ACE）与条件平均因果效应（CACE）。传统因果效应估计方法如逆概率加权（IPW）以及近期的残差回归（RWR）被广泛使用——因其规避了识别 SCM 参数的艰巨任务——以估计 ACE 与 CACE。然而，在传统估计方法可用于反事实推断以及惠及社会科学中的个性化公共政策分析（P$^3$A）之前，仍有大量工作待完成。医生依赖个性化医疗在实验室环境（相对封闭系统）中为患者定制治疗，P$^3$A 受此定制启发但将其适配于开放社会系统。本文中，我们提出一种称为因果图归一化流（c-GNF）的反事实推断方法，以推动 P$^3$A。首先，我们展示 c-GNF 如何在不对函数形式作任何假设下捕获底层 SCM。其次，我们提出一种新颖的去量化技巧以处理离散变量，此为一般归一化流的局限。第三，我们在实验中证明，当真实函数形式已知时，c-GNF 在估计 ATE 的偏差与方差上与 IPW 和 RWR 相当，未知时更优。第四也是最重要的一点，我们利用 c-GNF 进行反事实推断，展现出良好的实证性能。由于 IPW 与 RWR 如同其他传统方法缺乏反事实推断能力，c-GNF 可能在定制个性化治疗、促进 P$^3$A、优化社会干预方面发挥重要作用——有别于现有方法‘一刀切’的取向。