Synthetic Potential Outcomes for Mixtures of Treatment Effects

要約

現代のデータ分析は、多くの場合、多様な集団やデータソースの統合として構築される大規模なデータセットの使用に依存しています。
これらの小規模なデータセットにわたる不均一性は、因果推論にとって 2 つの主要な課題を構成します。(1) 各サンプルのソースが治療と効果の間に潜在的な交絡を引き起こす可能性がある、および (2) 多様な集団が同じ治療に対して異なる反応を示す可能性があり、不均一な治療効果が生じる可能性があります。
(HTE)。
潜在交絡と HTE の問題は個別に研究されてきましたが、組み合わせて研究されていませんでした。
特に、これまでの研究では、（測定された共変量に関して）類似した個人間の条件付き平均治療効果（CATE）のみが報告されていました。
CATE は、潜在的な不均一性によって引き起こされる潜在的な治療効果の混合を解決できません。これを治療効果の混合 (MTE) と呼びます。
混合モデルへのモーメント法アプローチに触発されて、私たちは「合成潜在的結果」(SPO) を提案します。
私たちの新しいアプローチは、異質性を混乱させると同時に、MTE の識別可能性を保証します。
この技術は混合物の完全な回収をバイパスするため、識別可能性の要件が大幅に簡素化されます。
合成データに対する SPO の有効性を実証します。

要約(オリジナル)

Modern data analysis frequently relies on the use of large datasets, often constructed as amalgamations of diverse populations or data-sources. Heterogeneity across these smaller datasets constitutes two major challenges for causal inference: (1) the source of each sample can introduce latent confounding between treatment and effect, and (2) diverse populations may respond differently to the same treatment, giving rise to heterogeneous treatment effects (HTEs). The issues of latent confounding and HTEs have been studied separately but not in conjunction. In particular, previous works only report the conditional average treatment effect (CATE) among similar individuals (with respect to the measured covariates). CATEs cannot resolve mixtures of potential treatment effects driven by latent heterogeneity, which we call mixtures of treatment effects (MTEs). Inspired by method of moment approaches to mixture models, we propose ‘synthetic potential outcomes’ (SPOs). Our new approach deconfounds heterogeneity while also guaranteeing the identifiability of MTEs. This technique bypasses full recovery of a mixture, which significantly simplifies its requirements for identifiability. We demonstrate the efficacy of SPOs on synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google