3.3 匹配方式

 

 人工智能之强化学习 

 

如前所述，缺少反事实和混杂因素偏差是治疗效果评估中的两个主要挑战。 基于匹配的方法提供了一种估计反事实的方法，同时减少了混杂因素带来的估计偏差。通常，通过匹配估计的第i个unit的潜在结果为：

 

其中和是估计的对照和治疗结果，J（i）是相对治疗组中unit i的匹配邻居。

匹配样本的分析可以模仿RCT：可以直接比较匹配样本中治疗组和对照组的结果。在RCT的背景下，人们期望平均而言，治疗组和对照组之间的协变量分布相似。因此，当使用观察数据估计治疗效果时，可以使用匹配来减少或消除混淆的影响。

---

3.3.1距离度量

 已经采用了各种距离来比较unit之间的紧密度，例如广泛使用的欧几里得距离和马氏距离。同时，许多匹配方法都开发了自己的距离度量，可以将其抽象为：。现有的距离度量标准主要在如何设计变换函数f（·）方面有所不同。

基于倾向得分的转换   unit的原始协变量可以用倾向得分表示。作为结果，两个unit之间的相似度可以直接计算为：D（xi，xj）= | ei-ej |，其中ei和ej分别是xi和xj的倾向得分。

后来，还提出了基于线性倾向得分的距离度量，其定义为