Integrating nearest neighbors on neural network models for treatment effect estimation

要約

治療効果の推定は、多くの科学的・産業的領域において、研究者と実務家の両方にとって非常に重要なものである。観測データが豊富にあるため、研究者が因果効果の推定に用いることが多くなっている。しかし、これらのデータは、適切に扱われなければ、いくつかの弱点からバイアスに悩まされ、不正確な因果関係の推定につながる。そこで、ニューラルネットワークの予測能力を利用して、より正確な因果関係の推定を行う機械学習技術がいくつか提案されている。本研究では、治療効果推定のためのニューラルネットワークベースモデルに貴重な最近傍情報を統合するための新しい方法論、Nearest Neighboring Information for Causal Inference (NNCI) を提案する。提案されたNNCI手法は、観察データを用いた治療効果推定のための最も確立されたニューラルネットワークベースのモデルのいくつかに適用される。数値実験と分析により、最先端のニューラルネットワークモデルにNNCIを統合することで、様々なよく知られた困難なベンチマークにおいて治療効果推定が大幅に改善されるという実証的・統計的証拠を得ることができた。

要約(オリジナル)

Treatment effect estimation is of high-importance for both researchers and practitioners across many scientific and industrial domains. The abundance of observational data makes them increasingly used by researchers for the estimation of causal effects. However, these data suffer from biases, from several weaknesses, leading to inaccurate causal effect estimations, if not handled properly. Therefore, several machine learning techniques have been proposed, most of them focusing on leveraging the predictive power of neural network models to attain more precise estimation of causal effects. In this work, we propose a new methodology, named Nearest Neighboring Information for Causal Inference (NNCI), for integrating valuable nearest neighboring information on neural network-based models for estimating treatment effects. The proposed NNCI methodology is applied to some of the most well established neural network-based models for treatment effect estimation with the use of observational data. Numerical experiments and analysis provide empirical and statistical evidence that the integration of NNCI with state-of-the-art neural network models leads to considerably improved treatment effect estimations on a variety of well-known challenging benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL