Conformal Prediction for Causal Effects of Continuous Treatments

要約

因果効果の不確実性の定量化は、個別化医療のようなセーフティクリティカルなアプリケーションにとって極めて重要である。このための強力なアプローチが共形的予測であり、これはモデルにとらわれない有限標本保証により、いくつかの実用的な利点を持つ。しかし、因果効果のコンフォーマル予測のための既存の手法は、二値／離散治療に限定され、既知の傾向スコアなどの非常に制限的な仮定を行う。本研究では、連続治療の潜在的な結果に対する新しい適合予測法を提供する。我々は、傾向推定によって導入される追加の不確実性を考慮し、傾向スコアが未知であっても我々の適合予測区間が有効であるようにする。我々の貢献は3つある：(1) 連続的治療の潜在的結果に対する有限標本予測区間を導出する。(2) 導出された区間を計算するアルゴリズムを提供する。(3) 合成データセットと実世界データセットを用いた実験で、適合予測区間の有効性を実証する。我々の知る限り、傾向スコアが未知でありデータから推定しなければならない場合に、連続的治療に対する適合予測区間を提案したのは我々が初めてである。

要約(オリジナル)

Uncertainty quantification of causal effects is crucial for safety-critical applications such as personalized medicine. A powerful approach for this is conformal prediction, which has several practical benefits due to model-agnostic finite-sample guarantees. Yet, existing methods for conformal prediction of causal effects are limited to binary/discrete treatments and make highly restrictive assumptions such as known propensity scores. In this work, we provide a novel conformal prediction method for potential outcomes of continuous treatments. We account for the additional uncertainty introduced through propensity estimation so that our conformal prediction intervals are valid even if the propensity score is unknown. Our contributions are three-fold: (1) We derive finite-sample prediction intervals for potential outcomes of continuous treatments. (2) We provide an algorithm for calculating the derived intervals. (3) We demonstrate the effectiveness of the conformal prediction intervals in experiments on synthetic and real-world datasets. To the best of our knowledge, we are the first to propose conformal prediction for continuous treatments when the propensity score is unknown and must be estimated from data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL