Data-Driven Estimation of Heterogeneous Treatment Effects

要約

治療がさまざまな個人にどのような影響を与えるかを推定することは、不均一な治療効果の推定として知られており、経験科学における重要な問題です。
ここ数年、観察データや実験データから不均一な影響を推定する問題に機械学習アルゴリズムを適応させることに大きな関心が集まっています。
ただし、これらのアルゴリズムは、データ内で観察された特徴について強い仮定を置き、基礎となる因果モデルの構造を無視することが多く、偏った推定につながる可能性があります。
同時に、現実世界のデータセットでは根本的な因果メカニズムがほとんど知られていないため、それを考慮することが困難です。
本研究では、機械学習を用いた異種治療効果推定のための最先端のデータ駆動手法を概観し、反事実予測に焦点を当てた手法と因果効果を直接推定する手法に大別します。
また、構造因果モデルに依存し、データからモデル構造を学習する 3 番目のカテゴリの方法の概要も提供します。
基礎となるさまざまな構造モデルメカニズムに基づいた私たちの経験的評価は、既存の推定器とそのパフォーマンスを測定するための指標の長所と短所を示しています。

要約(オリジナル)

Estimating how a treatment affects different individuals, known as heterogeneous treatment effect estimation, is an important problem in empirical sciences. In the last few years, there has been a considerable interest in adapting machine learning algorithms to the problem of estimating heterogeneous effects from observational and experimental data. However, these algorithms often make strong assumptions about the observed features in the data and ignore the structure of the underlying causal model, which can lead to biased estimation. At the same time, the underlying causal mechanism is rarely known in real-world datasets, making it hard to take it into consideration. In this work, we provide a survey of state-of-the-art data-driven methods for heterogeneous treatment effect estimation using machine learning, broadly categorizing them as methods that focus on counterfactual prediction and methods that directly estimate the causal effect. We also provide an overview of a third category of methods which rely on structural causal models and learn the model structure from data. Our empirical evaluation under various underlying structural model mechanisms shows the advantages and deficiencies of existing estimators and of the metrics for measuring their performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google