Jul, 2023

隐式内生性条件下基于密度匹配的合成控制方法

PDF
TL;DR现有的合成控制方法 (SCMs) 存在内隐内源性问题，本研究基于密度匹配提出了一种新的 SCM 方法，通过匹配处理结果矩和未处理结果矩的加权和来估计 SC 权重，该方法具有无偏性、降低均方误差以及生成完整治疗效应密度的优点。
synthetic control methodscausal effect estimatormixture modeldensity matchingcounterfactual prediction
发现论文，激发创造
  • 激励感知的合成对照：通过激励式探索实现准确的反事实估计

    我们提出了一种在面板数据设置中激励探索的合成控制方法，通过利用信息设计和在线学习的工具，为单位提供适用的干预建议，从而在不需要明确的单位结果重叠假设的情况下获得有效的对照估计。

    Dec, 2023

  • 平衡、回归、差异中的差别和合成控制方法：综合

    本文提出了一种基于合成控制的治疗效果估计方法的加权平均的一般化模型，其中权重可以为负且总和不为一，通过正则化方法解决可能存在的大量可能的对照组。

    Oct, 2016

  • 反事实和合成控制的精确稳健的符合性推断方法

    介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。

    Dec, 2017

  • 构建无均值可交换假设的合成处理组

    本文旨在将来自多个随机对照试验的信息传递给只有对照组数据的目标人群。我们通过源人群的治疗组的加权混合构建针对目标人群的合成治疗组，并通过最小化加权源人群的对照组与目标人群之间的条件最大均值差异来估计权重。基于筛选半参数理论，我们建立了合成治疗组估计器的渐近正态性。当均值可交换性假设被违反时，我们的方法可以作为一种新型的补充方法。我们通过对合成和真实数据集的实验来证明了我们方法的有效性。

    Sep, 2023

  • 合成控制模型的非参数识别性和敏感性分析

    本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

    Jan, 2023

  • 扩散因果模型用于反事实估计

    提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题，使用深度结构因果模型和生成式能量模型相结合的方法进行推理，并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。

    Feb, 2022

  • SCouT: 基于时空变换器的合成对事实干预应卫生保健

    提出了一种在干预前使用局部时空信息预估反事实序列借助于位置编码、修改的解码器注意力掩码和新的预训练任务的 Transformer 模型，可以生成有用的医疗洞见和对疾病的干预策略进行评估的结果。

    Jul, 2022

  • 随机最优控制匹配

    我们的研究引入了随机最优控制匹配（SOCM），一种基于迭代扩散优化（IDO）技术的随机最优控制方法，具有比现有方法更低的误差，并使用了路径重参数化技巧。

    Dec, 2023

  • 合成的差异于差异

    本文提出了一种基于面板数据的因果效应新估计方法，这种方法建立在广泛使用的差异和综合控制方法背后的思想基础上。相对于这些方法，我们发现，无论是从理论上还是从经验上看，“合成差异法” 估计量都具有理想的鲁棒性能，并且在常见的实践中常常表现出色。我们研究了评估器的渐近行为，当结果模型的系统部分包括与潜在时间因素相互作用的潜在单元因素时，我们呈现了一些一致性和渐近正态性相对应的条件。

    Dec, 2018

  • 分布一致性的结构因果模型

    在因果建模领域，潜在结果和结构因果模型是主要框架。然而，这些框架在实际建模反事实时面临着明显的挑战，形式化表现为潜在结果的联合分布参数。本文通过对潜在结果和结构因果模型在建模反事实中的研究，提出了 “退化反事实问题” 这一内在模型容量限制，并引入了一种新的 “分布一致性” 假设，基于该假设提出了增强建模反事实能力的 “分布一致性结构因果模型”。通过引入可识别的因果参数 “一致性概率”，在个性化激励示例中展示了 DiscoSCM 在实践中的实际意义。此外，还在 DiscoSCM 框架中提供了关于 “因果阶梯” 的全面理论成果，希望为反事实建模的未来研究开辟新的方向，从而增强我们对因果关系及其在现实世界应用领域的理解。

    Jan, 2024