Balancing Interference and Correlation in Spatial Experimental Designs: A Causal Graph Cut Approach

要約

このホワイトペーパーでは、実験データから得られた情報の量を最適化し、結果として生じる因果効果推定器の精度を高めるための空間実験の設計に焦点を当てています。
推定器の平均二乗誤差（MSE）の代理関数を提案します。これにより、最適な設計を学習するために古典的なグラフカットアルゴリズムの使用が容易になります。
私たちの提案は、3つの重要な進歩を提供します。（1）中程度から大きな空間干渉効果に対応します。
（2）異なる空間共分散関数に適応します。
（3）計算上効率的です。
合成環境と都市規模のライドシェアリング市場をモデル化するディスパッチシミュレーターに基づく理論的結果と数値実験により、設計の有効性がさらに検証されます。
メソッドのPython実装は、https：//github.com/mamba413/causalgraphcutで入手できます。

要約(オリジナル)

This paper focuses on the design of spatial experiments to optimize the amount of information derived from the experimental data and enhance the accuracy of the resulting causal effect estimator. We propose a surrogate function for the mean squared error (MSE) of the estimator, which facilitates the use of classical graph cut algorithms to learn the optimal design. Our proposal offers three key advances: (1) it accommodates moderate to large spatial interference effects; (2) it adapts to different spatial covariance functions; (3) it is computationally efficient. Theoretical results and numerical experiments based on synthetic environments and a dispatch simulator that models a city-scale ridesharing market, further validate the effectiveness of our design. A python implementation of our method is available at https://github.com/Mamba413/CausalGraphCut.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google