潜在结果框架：因果推断世界里的平行时空

瑞行AI

已于 2024-12-23 21:59:53 修改

阅读量923

点赞数 26

分类专栏：因果推断文章标签：算法

于 2024-12-03 07:35:45 首次发布

本文链接：https://blog.csdn.net/cymy001/article/details/144202747

版权

因果推断专栏收录该内容

11 篇文章

订阅专栏

以下内容梳理了潜在结果框架的常用算法和原理，并依据相关论文推理，结合案例做了代码实现：
潜在结果框架：因果推断世界里的平行时空
 Uplift Model：S-Learner类增益模型实战
 Uplift Model：T-Learner类增益模型实战
 Class Transformation Model增益模型
 Uplift Tree Model：增益树模型原理
 Uplift模型评估指标AUUC

潜在结果框架

潜在因果框架（Potential Outcome Framework，POF）是由Donald Bruce Rubin提出的一种针对观测数据进行因果推断的框架，也被称为鲁宾因果模型（Rubin Causal Model）。“潜在结果”指的是在特定干预下，个体可能产生的结果。叫“潜在结果”的原因是该结果并不一定能观测到，它只是选择是否接受干预处理后对应的一个潜在数值。而作出是否接受干预处理的选择后，观测不到的结果称为“反事实结果”。叫“反事实结果”的原因是该结果无法观测到，并不是实际发生的。

比如，营销场景下的策略干预效果评估中，对于观测数据中的某个个体i，对应两个潜在结果：接受干预处理的转化概率Y1i 和不接受干预处理的转化概率Y0i：如果个体i选择接受干预处理T=1，则不接受干预处理的转化概率Y0i就是反事实结果。如果个体i选择不接受干预处理T=0，则接受干预处理的转化概率Y1i就是反事实结果。
公众号原文参考：潜在结果框架：因果推断世界里的平行时空

ITE/ATE/ATT/ATU/CATE

个体i是否接受干预处理的转化概率差值Y1i-Y0i，叫做个体i的个体处理效应(individual treatment effec，ITE)。ITE是无法计算的，因为存在反事实结果。

大多数情况下，因为根据个体不同，对应的个体处理效应也是有所差别的，无法把一个个体的个体处理效应推广到其余个体上，相对稳定的指标是平均处理效应(Average treatment effect，ATE)，即一个群体所有个体的个体处理效应取平均值，即ATE=E(Y1i-Y0i)。

可以对平均处理效应中的个体进一步细分为两组：(1.)实际接受干预处理组的个体T=1，(2)实际不接受干预处理组的个体T=0。
将第（1.）组个体的平均处理效应称为处理组的平均处理效应（Average treatment effect of the treated group, ATT），ATT=E(Y1i-Y0i|T=1)。
而第（2.）组个体的平均处理效应称为对照组的平均处理效应（Average treatment effect of the untreated group，ATU）， ATU=E(Y1i-Y0i|T=0)。

比如，现在有2w个电商平台的活跃用户，运营人员要在年底搞促销活动，想提前测试某新活动方案P的对产品M的转化效果，就随机抽取了其中1w个用户(组A)，对这部分用户使用了新活动方案P的干预，剩下的1w个用户(组B)维持原运营方案不变。无论用户是否接受干预，都对应有两个潜在结果：
1.接受干预的潜在结果Y1i，即用新活动方案P后，用户转化效果是多少；
2.不接受干预的潜在结果Y0i，即用原运营方案的用户转化效果是多少。

注意，个体i接受干预的潜在结果Y1i可以取任何可能的值，在二分类情况下，Y1i=0表示个体i接受干预后，没有发生期望的结果；Y1i=1表示个体i接受干预后，发生了期望的结果。实验一段时间后，有下表的观测数据：
在这里插入图片描述