连续治疗的双重稳健近端因果学习

Sep, 2023

连续治疗的双重稳健近端因果学习

Doubly Robust Proximal Causal Learning for Continuous Treatments

Yong Wu, Yanwei Fu, Shouyan Wang, Xinwei Sun

TL;DR我们提出了基于核的 DR 估计器，可以处理连续的处理方式，并通过充分性证明其正态形式是影响函数的一致近似。我们还提出了一种高效解决干扰函数的新方法，并以均方误差为指标进行了全面的收敛性分析，证明了我们估计器在合成数据集和实际应用中的实用性。

Abstract

proximal causal learning is a promising framework for identifying the causal effect under the existence of unmeasured confounders. Within this framework, the doubly robust (DR) estimator was derived and has shown its effectiveness in estimation, especially when the model assumption is

proximal causal learning doubly robust estimator continuous treatments kernel-based estimator convergence analysis

发现论文，激发创造

具有连续处理的双无偏机器学习非参数推断

本文提出了一种基于双无偏机器学习 (DML) 的非参数推断方法，用于连续治疗变量的因果效应估计，同时解决了无遗漏条件和非参数 / 高维麻烦参数的问题，并通过利用基于核的双重稳健矩函数和交叉拟合提供了高级条件，以实现估计的无偏性。

Apr, 2020

双重可靠估计连续处理效应的非参数方法

本文提出一种新的核平滑方法，可以在不需要参数模型的情况下，对连续治疗（如剂量）进行因果效应估计，并允许处理密度或结果回归的错误规范。方法经过了模拟证明，并应用于护士人员配备对医院复诊惩罚的研究中。

Jul, 2015

连续处理的政策评估与优化

扩展了离散治疗的反倾斜权重和双重稳健方法，使用了一个利用治疗接近程度的核函数来衰减拒绝采样，缓解了样本拒绝问题，可应用于持续的治疗问题，通过个性化给药数据集的案例研究，得到了比基准更好的策略推荐结果。

Feb, 2018

因果导向的鲁棒性：利用一般性可加介入

本文提出了一种基于因果性的分布鲁棒性方法，命名为分布鲁棒性通过不变梯度（DRIG），通过利用训练数据中的一般加性干预来实现对未见干预的鲁棒预测，自然地在分布预测和因果性之间插值。在线性设置中，证明 DRIG 在数据相关的一类分布转换中得到鲁棒的预测。此外，还扩展了该方法到半监督领域适应设置以进一步提高预测性能。最后，通过合成模拟和单细胞数据对我们的方法进行了实证验证。

Jul, 2023

因果潜在因子模型中的双重稳健推断

提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。

Feb, 2024

通过生成对抗网络对连续处理进行因果推断的解缠表示学习

我们提出了一种用于连续治疗的去混淆表示学习 (DRL) 框架，通过生成与治疗变量解耦的协变量表示来进行反事实结果估计。该框架是一个非参数模型，能够消除治疗与协变量之间的线性和非线性依赖关系，并在模型中嵌入了反事实推理网络以实现去混淆和可信的推理。在合成数据集上广泛实验表明，该 DRL 模型在学习去混淆表示方面表现卓越，并且胜过了针对连续治疗的最先进的反事实推理模型。此外，我们将该 DRL 模型应用于实际的医疗数据集 MIMIC，并展示了红细胞宽度分布与死亡率之间的详细因果关系。

Jul, 2023

因果推断的双重稳健学习教程

该论文介绍了双重稳健学习方法，旨在通过整合倾向得分和结果建模来从观测数据中进行因果推断。通过使用 EconML 软件包演示其应用，该论文消除了双重稳健方法的复杂性，并提供了实际的编程示例，旨在使数据科学和统计学的研究人员和从业人员可以更便捷地应用双重稳健学习方法。

Jun, 2024

结合 T-learning 和 DR-learning: 用于在预估因果对比时节约开销的框架

我们引入了高效的插件（EP）学习，这是一种用于估计异质因果对比的新框架，如条件平均治疗效应和条件相对风险。EP 学习框架具有与尼曼正交学习策略相同的洞察效率，同时解决了它们的一些主要缺点，包括实际适用性受损于损失函数的非凸性，以及逆概率加权和违反界限的伪结果可能导致性能差和不稳定性。为了避免这些缺点，EP 学习器构造了一个用于因果对比的种群风险函数的高效插件估计器，从而继承了像 T - 学习这样的插件估计策略的稳定性和鲁棒性特性。在合理条件下，基于经验风险最小化的 EP 学习器是洞察效率的，具有与种群风险函数的洞察效率单步去偏估计的最小化器等价的渐近等价性。在模拟实验中，我们证明了条件平均治疗效应和条件相对风险的 EP 学习器优于最先进的竞争对手，包括 T - 学习器、R - 学习器和 DR - 学习器。我们的 R 软件包 hte3 提供了所提出方法的开源实现。

Feb, 2024

确定性混淆的核心单代理控制

我们提出了两种基于核方法的因果效果估计方法，针对存在未观测混淆变量的情况下，利用单个代理变量可以一致性地估计因果效果，并在合成数据集上进行实证验证。

Aug, 2023

连续时间、连续值干预的因果推断治疗 - 反应模型

本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

Apr, 2017