Jul, 2023

使用双机器学习方法结合实验和观测数据

PDF
TL;DR本文提出了一种双机器学习方法，以结合实验和观测研究，让从业人员能够测试假设的违规情况并一致地估计治疗效果，进而测试外部效度和忽略的可接受性。然而，我们的无免费午餐定理强调了准确识别被违反的假设对于一致的治疗效果估计的必要性。我们在三个实际案例研究中展示了我们的方法的适用性，并突出了其在实际设置中的相关性。
发现论文，激发创造
  • 双机器学习估计因果效应 -- 方法评估

    通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

    Mar, 2024

  • 将实验数据和观察数据相结合估计治疗对长期结果的影响

    本文提出了一种方法，将观测数据和实验数据相结合，通过控制函数方法进行因果效应的估计，以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据，结论表明，课堂规模对学生学业成就有显著影响。

    Jun, 2020

  • 来自实验和观测数据混合的因果发现

    本文介绍了一种贝叶斯方法，用于将任意混合的观测和实验数据相结合，以学习因果贝叶斯网络，其中观测数据是被动观察的，实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据，其用于预测因果结构，并估计 ALARM 中不混杂的随机选定节点对之间存在的因果参数。

    Jan, 2013

  • 合并随机试验与观察性研究的因果推断方法：一项综述

    本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

    Nov, 2020

  • 结合观察和随机数据估计异质性治疗效应

    本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。

    Feb, 2022

  • 将观测与实验数据结合以查找异质性治疗效应

    提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

    Nov, 2016

  • 融合观察、偏差和随机数据源的近似反事实界限

    通过数据集成、反事实计算和因果推断方法，我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。

    Jul, 2023

  • 隐变量混淆的多重因果推断

    本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

    May, 2018

  • 通过实验基础消除隐蔽混杂因素

    本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

    Oct, 2018

  • 从观测、偏见和随机数据学习界定反事实推断

    本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

    Dec, 2022