Aug, 2022

数据融合学习工具变量进行治疗效果评估

PDF
TL;DR本文提出了一种名为 Meta-EM 的统一框架，以重构源标签并将其建模为组工具变量 (GIV)，从而实现基于仪器变量回归的治疗效应评估，该框架通过将原始数据映射到表示空间中以构建线性混合模型来估计分配治疗变量的分布差异和建模 GIV，并采用交替训练策略来迭代优化表示和联合分布以模拟 GIV 进行 IV 回归。实证结果表明，与最先进的方法相比，我们的 Meta-EM 具有优势。
big datadata fusiontreatment effectinstrumental variable regressionmeta-em
发现论文，激发创造
  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 学习条件工具变量表示以进行因果效应估计

    利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 DVAE.CIV 方法具有卓越的性能。

    Jun, 2023

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022

  • 工具变量回归中学习深度特征

    本研究提出了一种新的方法，即深度特征工具变量回归（DFIV），用于解决仪器、处理和结果之间可能是非线性关系的情况。通过训练深度神经网络，定义仪器和处理的信息非线性特征。采用交替训练模式确保优良的端到端性能，解决了应用传统仪器变量回归可能存在的局限性，可有效提高其应用范围和性能。

    Oct, 2020

  • 深度广义矩方法在工具变量分析中的应用

    这篇文章提出了一个名为 DeepGMM 的算法，利用新的变分重构方法和协方差加权，能够高效处理复杂的因果效应以及高维数据的情形，并且缩短优化时间，即使在大规模数据集上也同样适用。

    May, 2019

  • 利用解缠的潜在因素进行治疗效果估计

    该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。

    Jan, 2020

  • 使用工具变量估计纵向数据中具有时间依赖潜在混杂因素的因果推断

    提出了一种新的时间依赖仪器因子模型（TIFM）来从具有隐藏时间依赖混杂因素的数据中估计时变因果效应，并用循环神经网络（RNN）架构辅助推断潜在仪器变量以解决混淆偏差问题。

    Dec, 2023

  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020

  • 利用工具变量的有界、高效和多重稳健的平均处理效果估计

    本文提出了新的假设条件，允许在标准 IV 模型下识别平均处理效应（ATE），并构建了多个估计器，这些估计器在三个不同的观察数据模型下是一致的，并设计保证 ATE 估计值在 - 1 到 1 之间的估计器。

    Nov, 2016

  • 通过结合弱工具和观测数据估计异质治疗效应

    通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。

    Jun, 2024