纵向情景下的光滑多策略因果效应估计
机器学习
2026-05-28 v2
摘要
比较评估多个动态治疗策略对于医疗和政策决策至关重要，但常规的纵向因果推断方法分别估计每个策略，导致无法在反事实之间共享信息。我们展示，这种独立估计范式会引发结构上不可控的二阶偏差，即使在标准的纵向精准最大似然估计（LTMLE）去偏后，仍会导致有限样本方差膨胀。为此，我们提出了一种针对迭代条件期望（ICE）Q函数的数据驱动重参数化，使其能够通过共享表示进行联合估计。我们在基于策略编码Q网络（PEQ-Net）中实现了这一方法，该网络以共享策略编码器为中心。编码器使用核均值嵌入进行训练，确保所学表示空间反映了群体水平的策略差异。在应用LTMLE校正步骤后，我们证明了该设计对二阶剩余项施加了结构性约束，从而稳定了有限样本的方差。在半合成数据集上的实验表明，PEQ-Net在所有基于ICE的方法中都表现出色，尤其是在评估 closely related 策略时，实现了根均方误差的显著降低。
引用
@article{arxiv.2605.14284,
title = {Smooth Multi-Policy Causal Effect Estimation in Longitudinal Settings},
author = {Wenxin Chen and Weishen Pan and Kyra Gan and Fei Wang},
journal= {arXiv preprint arXiv:2605.14284},
year = {2026}
}