基于三个假设的因果推断方法1

 

原创 人工智能之强化学习 

第三部分是 基于三个假设的因果推论方法。在本节中，介绍现有的因果推断方法，这些方法依赖于第2节中介绍的三个假设。将会根据分类分为7小结进行解决，先来介绍第一种方法-重新加权方法。

根据控制混杂因素的方法，将这些方法分为以下类别：

（1）重新加权方法；

（2）分层方法；

（3）匹配方式；

（4）基于树的方法；

（5）基于表示的方法；

（6）多任务方法；

（7）元学习方法。

---

 

3.1重新加权方法

由于混杂因素的存在，治疗组和对照组的协变量分布不同，从而导致选择偏见问题，如2.4节所述。换句话说，治疗分配与观察数据中的协变量相关。样本重加权是克服选择偏差的有效方法。

通过为观察数据中的每个unit分配适当的权重，可以创建一个伪组，其治疗组和对照组的分布相似。

在样本重新加权方法中，关键概念是平衡分数。

平衡分数b（x）是一般的权重分数，它是x满足的函数：，其中W是治疗分配，x是背景变量。平衡分数的设计多种多样，显然，最琐碎的平衡分数是b（x）= x。此外，倾向得分也是平衡得分的特例。

定义9.倾向得分：倾向得分定义为给定背景变量的治疗的条件概率：

                                                               

详细地，倾向得分表明在给定一组观察到的协变量的情况下将一个unit分配到特定治疗的概率。结合倾向得分的平衡得分是最常见的方法。

本节中提到的算法概述如图2所示。在下一节中将介绍基于倾向得分的样本重加权，然后是对样本和协变量进行加权的方法。