揭示鲁棒性在选择条件平均处理效应估计量中的潜力

个性化决策需求的增长引发了对估计条件平均处理效应 (CATE) 的浓厚兴趣。随着机器学习和因果推断的进步，各种类型的 CATE 估计量已被开发出来。然而，由于观测数据中缺乏反事实结果，通过传统模型验证程序选择理想的 CATE 估计量仍然不切实际。现有的 CATE 估计量选择方法，如插件法和伪结果指标，面临两个挑战。首先，它们必须确定指标形式以及用于拟合干扰参数（例如结果函数、倾向函数和插件学习器）的基础机器学习模型。其次，它们缺乏对选择鲁棒 CATE 估计量的具体关注。为应对这些挑战，本文引入了一种用于 CATE 估计量选择的分布鲁棒指标 (DRM)。所提出的 DRM 无需干扰参数，消除了拟合干扰参数模型的需求，并有效地优先选择分布鲁棒的 CATE 估计量。实验结果验证了 DRM 方法在选择对协变量偏移和隐藏混杂因素引起的分布偏移具有鲁棒性的 CATE 估计量方面的有效性。