Synthetic Interventions

要約

$N$ の異質な単位 (例: 個人、部分集団) と $D$ の介入 (例: 社会経済政策) を含む設定を考えてみましょう。
私たちの目標は、すべてのユニットのすべての介入に関連して、合計 $N \times D$ の因果パラメーターの予想される潜在的な結果を学習することです。
これに向けて、$D$ とは独立して、最大 2 つの介入の下で各 $N$ ユニットのみを観察しながら、これらの $N \times D$ 因果パラメーターを推論する因果フレームワークである合成介入 (SI) を提案します。
これは、介入の数、つまり個別化のレベルが増加するにつれて重要になる可能性があります。
ユニット、結果、介入にわたる新しいテンソル因子モデルの下で、これらの $N \times D$ 因果パラメーターのそれぞれの同定結果を証明し、追加条件下での漸近正規性とともに推定量の有限標本一貫性を確立します。
重要なのは、私たちの推定では、介入の割り当て方法を決定する潜在的な交絡因子も考慮していることです。
この推定ツールには、その適合性を調べるためのデータ駆動型テストがさらに提供されています。
経験的に、私たちは電子商取引プラットフォーム上で実行される大規模な A/B テストを通じてフレームワークを検証します。
私たちは、この結果が、異種のユニットと複数の介入によるデータ効率の高いランダム化実験（ランダム化対照試験など）の設計に影響を与える可能性があると考えています。

要約(オリジナル)

Consider a setting with $N$ heterogeneous units (e.g., individuals, sub-populations) and $D$ interventions (e.g., socio-economic policies). Our goal is to learn the expected potential outcome associated with every intervention on every unit, totaling $N \times D$ causal parameters. Towards this, we present a causal framework, synthetic interventions (SI), to infer these $N \times D$ causal parameters while only observing each of the $N$ units under at most two interventions, independent of $D$. This can be significant as the number of interventions, i.e., level of personalization, grows. Under a novel tensor factor model across units, outcomes, and interventions, we prove an identification result for each of these $N \times D$ causal parameters, establish finite-sample consistency of our estimator along with asymptotic normality under additional conditions. Importantly, our estimator also allows for latent confounders that determine how interventions are assigned. The estimator is further furnished with data-driven tests to examine its suitability. Empirically, we validate our framework through a large-scale A/B test performed on an e-commerce platform. We believe our results could have implications for the design of data-efficient randomized experiments (e.g., randomized control trials) with heterogeneous units and multiple interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google