具有不确定性量化的异质性处理效应稳健递归划分
机器学习
2020-10-20 v2 机器学习
摘要
处理效应的亚组分析在从医学到公共政策再到推荐系统的应用中扮演着重要角色。它允许医生（例如）识别出对给定药物或治疗可能有效的患者群体，以及对其无效的患者群体。当前大多数亚组分析方法都始于一个用于估计个体化处理效应（ITE）的特定算法，并通过最大化各亚组间平均处理效应的差异来识别亚组。这些方法有几个弱点：它们依赖于特定的 ITE 估计算法，忽略了已识别亚组内的（不）同质性，并且不能产生良好的置信度估计。本文开发了一种新的亚组分析方法 R2P，以解决所有这些弱点。R2P 使用任意、外源指定的算法来估计 ITE，并利用一种比其他方法更稳健的构造来量化 ITE 估计的不确定性。使用合成和半合成数据集（基于真实数据）的实验表明，与其他方法产生的划分相比，R2P 构建的划分在组内更同质，同时在组间更异质。此外，由于 R2P 可以使用任何 ITE 估计器，它还能产生比其他方法更窄的置信区间，并具有规定的覆盖率保证。
引用
@article{arxiv.2006.07917,
title = {Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification},
author = {Hyun-Suk Lee and Yao Zhang and William Zame and Cong Shen and Jang-Won Lee and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2006.07917},
year = {2020}
}
备注
19 pages, 7 figures, NeurIPS 2020