在 Towards optimal doubly robust estimation of heterogeneous causal effects 这篇论文中,作者提出了一种用于提升因果效应估计稳健性的思路,即 Doubly Robust Learning。其核心思想就是在构建 estimator 的时候同时包含 potential outcome 的预测模型 μ^ 以及倾向性得分的预测模型 π^ ,然后两者中只要有一个预测比较...
Doubly Robust Learning-一种去偏方法 双重稳健估计-DRL是一种处理基于观测数据进行因果建模的方法。 大家已知的是,观测数据是有偏的,即存在特征X既影响目标outcome Y,又影响Treatment T。那么在进行因果建模之前,我们需要进行去偏处理,使得Treatment Y独立于特征X,此时的观测数据近似相当于RCT数据,之后我们就可以使用...
1.1 DR的理论基础 【因果推断/uplift建模】Doubly Robust Learning(DRL) Doubly Robust Methods明显优点是两个预估量如果有一个是consistent,则ATE是估计是consistent; 还有一个优点是理论上比COM/IPW收敛更快,也就是说理论上数据利用效率更高,但是理论研究一般是基于infinite data进行的,真实环境中收敛速率也不一定。
DRL的优点之一就是它只要求在倾向性得分估计模型和outcome估计模型中,其中一种是准确的即可,即 $\hat{P}(x)$ 或$\hat{\mu}(x)$ 其中一种估计准确即可。 以 $E[Y_1]$ 为例: $\hat{E}[Y_1] = \frac{1}{N}\sum \bigg( \dfrac{T_i(Y_i - \hat{\mu_1}(X_i))}{\hat{P}(X_i)}...