Robust and Agnostic Learning of Conditional Distributional Treatment Effects

要約

条件付き平均治療効果 (CATE) は、ベースライン共変量が与えられた個々の因果効果の最良の尺度です。
ただし、CATE は (条件付き) 平均のみをキャプチャし、治療の選択に重要なリスクとテール イベントを見落とす可能性があります。
集計分析では、これは通常、治療グループ間の分位数やテール期待値の違いなど、分布治療効果 (DTE) を測定することによって対処されます。
仮説的には、条件付き分位点回帰を各治療グループに同様に当てはめ、それらの差を取ることができますが、これは誤指定に対して堅牢ではなく、不可知論的なクラス最高の予測を提供しません.
条件付き分位処理効果、条件付き超分位処理効果、および $f$ によって与えられるコヒーレント リスク測定に対する条件付き処理効果を含む問題のクラスに対して、条件付き DTE (CDTE) を学習するための新しい堅牢でモデルに依存しない方法論を提供します。
-相違。
私たちの方法は、特別な疑似結果を構築し、任意の回帰学習器を使用して共変量で回帰することに基づいています。
私たちの方法は、回帰モデル クラスへの CDTE の最良の投影を提供できるという点で、モデルに依存しません。
私たちの方法は、これらの迷惑行為を非常に遅い速度でノンパラメトリックに学習したとしても、クラスの複雑さに依存する速度で CDTE を学習し、CDTE の線形投影で推論を行うことさえできるという点で堅牢です。
私たちは、シミュレーションと、富に対する 401(k) 資格の影響のケーススタディで、私たちの提案の動作を調査します。

要約(オリジナル)

The conditional average treatment effect (CATE) is the best measure of individual causal effects given baseline covariates. However, the CATE only captures the (conditional) average, and can overlook risks and tail events, which are important to treatment choice. In aggregate analyses, this is usually addressed by measuring the distributional treatment effect (DTE), such as differences in quantiles or tail expectations between treatment groups. Hypothetically, one can similarly fit conditional quantile regressions in each treatment group and take their difference, but this would not be robust to misspecification or provide agnostic best-in-class predictions. We provide a new robust and model-agnostic methodology for learning the conditional DTE (CDTE) for a class of problems that includes conditional quantile treatment effects, conditional super-quantile treatment effects, and conditional treatment effects on coherent risk measures given by $f$-divergences. Our method is based on constructing a special pseudo-outcome and regressing it on covariates using any regression learner. Our method is model-agnostic in that it can provide the best projection of CDTE onto the regression model class. Our method is robust in that even if we learn these nuisances nonparametrically at very slow rates, we can still learn CDTEs at rates that depend on the class complexity and even conduct inferences on linear projections of CDTEs. We investigate the behavior of our proposal in simulations, as well as in a case study of 401(k) eligibility effects on wealth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google