PUATE: Semiparametric Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units

要約

治療グループと対照群間の予想される結果の違いとして定義される平均治療効果（ATES）の推定は、因果推論の中心的なトピックです。
この研究では、治療グループと未知のグループが治療を受けたかコントロールが不明なグループが観察可能かどうかが不明な設定で、ATE推定のセミパラメトリック効率の推定器を開発します。
このシナリオは、肯定的なデータと非標識データ（PU学習）から学習するバリアントを表し、データが欠落しているとATE推定の特別なケースと見なすことができます。
この設定では、通常の推定量の漸近分散の下限を提供するセミパラメトリック効率の境界を導き出します。
次に、漸近分散がこれらの効率境界と整合するセミパラメトリック効率の推定量を提案します。
私たちの調査結果は、欠落したデータと監視された学習の不足との因果的推論に貢献しています。

要約(オリジナル)

The estimation of average treatment effects (ATEs), defined as the difference in expected outcomes between treatment and control groups, is a central topic in causal inference. This study develops semiparametric efficient estimators for ATE estimation in a setting where only a treatment group and an unknown group-comprising units for which it is unclear whether they received the treatment or control-are observable. This scenario represents a variant of learning from positive and unlabeled data (PU learning) and can be regarded as a special case of ATE estimation with missing data. For this setting, we derive semiparametric efficiency bounds, which provide lower bounds on the asymptotic variance of regular estimators. We then propose semiparametric efficient ATE estimators whose asymptotic variance aligns with these efficiency bounds. Our findings contribute to causal inference with missing data and weakly supervised learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google