Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects

要約

タイトル：複数価値治療異質効果の推定のためのメタラーナーの比較
要約：

– 調整後平均治療効果（CATE）の推定は、観察データに基づく因果推論における主要な課題の1つである。
– 機械学習ベースのモデルに加えて、メタラーナーと呼ばれる非パラメトリックな推定器が開発され、特定の教師あり学習方法に推定を制限しないという主な利点でCATEを推定することができる。
– しかしながら、治療がバイナリでない場合、単純な拡張の制限が現れるため、このタスクはより複雑になる。
– この論文では、複数の価値治療の異質効果を推定するためのメタラーナーに焦点を当てる。さまざまなメタラーナーを考慮し、治療レベルの数などの重要なパラメータの誤差上限を関数として理論分析し、単純な拡張は常に満足のいく結果を提供しないことを示す。
– 治療数が増加するにつれて良好な結果を提供するメタラーナーを導入し、議論する。
– 合成および半合成データセットで、これらの方法の強みと弱みを実証的に確認する。

要約(オリジナル)

Conditional Average Treatment Effects (CATE) estimation is one of the main challenges in causal inference with observational data. In addition to Machine Learning based-models, nonparametric estimators called meta-learners have been developed to estimate the CATE with the main advantage of not restraining the estimation to a specific supervised learning method. This task becomes, however, more complicated when the treatment is not binary as some limitations of the naive extensions emerge. This paper looks into meta-learners for estimating the heterogeneous effects of multi-valued treatments. We consider different meta-learners, and we carry out a theoretical analysis of their error upper bounds as functions of important parameters such as the number of treatment levels, showing that the naive extensions do not always provide satisfactory results. We introduce and discuss meta-learners that perform well as the number of treatments increases. We empirically confirm the strengths and weaknesses of those methods with synthetic and semi-synthetic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI