用于因果连续处理效应估计的时空熵平衡方法
统计方法学
2023-12-20 v2 人工智能
机器学习
摘要
在城市内货运领域，订单量的变化显著受时间和空间因素的影响。在制定补贴和定价策略时，预测这些策略对订单量的因果效应至关重要。在计算因果效应的过程中，混杂变量可能会产生影响。控制混杂变量的传统方法从整体视角处理数据，无法确保在特定时间和空间维度上因果效应的精确性。然而，时间和空间维度在物流领域极为关键，这一局限性可能直接影响补贴和定价策略的精确性。为了解决这些问题，本研究提出了一种基于灵活时空网格划分的技术。此外，在灵活网格划分技术的基础上，我们进一步提出了一种时空域中的连续熵平衡方法，命名为 TS-EBCT（Temporal-Spatial Entropy Balancing for Causal Continue Treatments）。本文所提方法已在两个模拟数据集和两个真实数据集上进行了测试，均取得了优异的性能。事实上，将 TS-EBCT 方法应用于城市内货运领域后，因果效应的预测精度得到了显著提升。这为公司的补贴和定价策略带来了良好的商业效益。
引用
@article{arxiv.2312.08670,
title = {Temporal-Spatial Entropy Balancing for Causal Continuous Treatment-Effect Estimation},
author = {Tao Hu and Honglong Zhang and Fan Zeng and Min Du and XiangKun Du and Yue Zheng and Quanqi Li and Mengran Zhang and Dan Yang and Jihao Wu},
journal= {arXiv preprint arXiv:2312.08670},
year = {2023}
}
备注
10 pages;