用于因果推断的变量重要性匹配
统计方法学
2023-10-16 v2 机器学习
计量经济学
摘要
我们的目标是提出用于观测因果推断的方法，这些方法可审计、易于排查故障、对处理效应估计准确，并且可扩展到高维数据。我们描述了一个称为 Model-to-Match 的通用框架，它通过（i）通过结果建模学习距离度量，（ii）使用该距离度量创建匹配组，以及（iii）使用匹配组估计处理效应，来实现这些目标。Model-to-Match 利用变量重要性度量来构建距离度量，使其成为一个可适配各种应用的灵活框架。着眼于在潜在混杂因子数量上的问题可扩展性，我们用 LASSO 实现了 Model-to-Match 框架。我们推导了在 LASSO 结果建模一致识别所有混杂因子（重要的是无需要求线性模型被正确设定）设定下的性能保证。我们还提供了实验结果表明该方法的审计性、准确性、可扩展性，以及对更一般非参数结果建模的扩展。
引用
@article{arxiv.2302.11715,
title = {Variable Importance Matching for Causal Inference},
author = {Quinn Lanners and Harsh Parikh and Alexander Volfovsky and Cynthia Rudin and David Page},
journal= {arXiv preprint arXiv:2302.11715},
year = {2023}
}