观测数据建模

飞翔的七彩蜗牛

已于 2023-08-10 15:20:29 修改

阅读量312

点赞数

分类专栏：因果推断文章标签：机器学习人工智能

于 2023-08-06 21:00:13 首次发布

本文链接：https://blog.csdn.net/as472780551/article/details/132087442

版权

因果推断专栏收录该内容

27 篇文章 30 订阅

订阅专栏

观测数据

观测数据 / 样本空间覆盖均匀

psm

观测数据建模

因果模型得到什么样的值

base 0/1 gmv

uplift delat

模型可以得到 confounder 的表征，而 NN 可以支持更个性化的结构。在这里给出两种思路：

思路1: 使用树模型生成的 confounder embedding 作为 NN 模型的特征。
思路2: 使用对抗学习做特征分解。本文的第四部分会详细解释。

RCT&ODB 融合建模

训练因果模型来估计 Individual Treatment Effects (ITE) 的神经网络模型是一种常见的方法。以下是一些常用的神经网络模型，可以用于估计 ITE，特别是在观测数据上：

DeepIV (Deep Instrumental Variables): DeepIV 是一种使用神经网络进行因果推断的方法，它将 IV 问题建模为神经网络。该方法将工具变量和外生变量作为输入，输出个体效应的估计。这可以用于估计 ITE，尤其在存在内生性问题时。DeepIV 的结构允许对因果关系进行建模，并且可以支持单调性等约束。
Causal Forest with Neural Networks: Causal Forest 是一种基于决策树的方法，它可以结合神经网络来估计 ITE。在 Causal Forest 中，决策树用于划分样本空间，而每个叶子节点上都可以放置神经网络来估计 ITE。这种方法可以充分利用决策树的结构和神经网络的灵活性。
Neural Network Propensity Score Matching: 在估计 ITE 时，可以使用神经网络来估计倾向得分（propensity score），然后进行匹配以得到具有相似倾向得分的样本。这种方法可以通过匹配控制组和干预组来估计 ITE。
Counterfactual Neural Networks: 这是一种直接建模因果效应的方法，它通过训练一个神经网络来估计不同干预下的预期输出。它将干预前后的特征和观测的输出作为输入，输出干预后的预期输出。

TARNET (Transformation-Aware Network): TARNET 是一种基于神经网络的方法，用于估计 ITE。它在处理因果推断问题时，通过将原始特征映射到一个共享的潜在空间，然后在该潜在空间中进行干预效应估计。这种方法允许网络更好地处理观测数据中的干扰和内生性问题。
DRNET (Doubly Robust Network): DRNET 是一种使用神经网络的方法，结合了双重稳健性技术和倾向得分估计。它旨在减小因果估计中的偏差和方差，通过建立双重稳健性损失函数。这种方法可以用于估计 ITE 并提供较好的稳健性。
Causal Forest with Neural Networks: Causal Forest 是一种基于决策树的方法，可以与神经网络结合使用。在 Causal Forest 中，神经网络可以用于估计每个叶子节点的 ITE，从而在具有更强拟合能力的情况下保留决策树的解释性和稳健性。
NEDNet (Neural Estimation of Individual Treatment Effects): NEDNet 是一种用于估计 ITE 的神经网络模型。它通过预测干预前后的输出差异来估计 ITE，同时利用网络结构进行特征选择和噪声过滤。
X-learner and R-learner: 这些是传统的因果推断方法，但也可以与神经网络结合使用。X-learner 使用两个神经网络来估计干预组和控制组的预期输出，然后计算干预效应。R-learner 使用一个神经网络来估计干预前的输出，另一个神经网络来估计干预后的输出，然后计算干预效应。