保留可忽略性的表示学习与协变量匹配用于处理效应估计
机器学习
2025-04-30 v1 统计方法学
摘要
从观测数据估计处理效应具有挑战性，主要原因有二：（a）隐藏混淆，以及（b）协变量不匹配（对照组和处理组分布不完全相同）。存在大量工作仅解决其中一个问题。为了解决前者，已经提出了需要因果图形式详细知识的传统技术。对于后者，使用了协变量匹配和重要性加权方法。最近，在结合可检验独立性与部分辅助信息以应对隐藏混淆方面取得了进展。目前缺少一个同时解决隐藏混淆和选择偏差的通用框架。我们提出神经架构，旨在学习处理前协变量的表示，该表示是一个有效的调整集，同时满足协变量匹配约束。我们结合两种不同的神经架构：一种基于通过子采样一个假设因果辅助信息的合适锚变量创建的域之间的梯度匹配，随后是另一种协变量匹配变换。我们证明近似不变的表示产生近似有效的调整集，这将使得真实因果效应周围有一个区间。与通常的敏感性分析（其中未知的 nuisance 参数被变化）不同，我们有一个可检验的近似，给出效应估计的界限。我们还在因果基准（包括IHDP、Jobs、Cattaneo和基于图像的人群管理数据集）上，在ATE和PEHE误差方面优于各种基线。
引用
@article{arxiv.2504.20579,
title = {Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects},
author = {Praharsh Nanavati and Ranjitha Prasad and Karthikeyan Shanmugam},
journal= {arXiv preprint arXiv:2504.20579},
year = {2025}
}