|
本文从以下六个方面来阐述
一、基本概念 因果关系Causality指的是Cause和Effect，在很多领域被广泛应用，例如数据分析, 哲学、心理学、经济学、教育和医学等。 Causation和Correlation的区别，因果关系的存在，必然会伴随着相关性。但是，从因到果还需时间上的先后顺序、以及合理的机制等。因此，相关性只是因果关系的必要不充分条件。相关性并不一定代表着有因果关系。 因果推断和因果发现，因果发现是是通过计算方法从大量数据中识别因果关系，因果推理是根据结果发生的条件对因果关系作出结论的过程。 Experimental Study和Observational Study，实验学习中样本是随机的，treatment group和control group都是随机分配的，但是Observational Study中Treatment的分配一定是有策略的，非随机的。 因果推断有两个经典框架，一个是基于Judea Pearl的结构因果模型Structure Causal Model，一个是基于Rubin提出的Potential Outcome Framework。不过二者在底层原理上也是相同的。下面重点介绍一些Rubin的POF框架中的相关概念。 1. ATE，Average Treatment Effect，人群级别的评估指标，计算方式如下 2. ITE，Individual Treatment Effect，个体级别的评估指标，计算方式如下 3. CATE，Conditional Average Treatment Effect，Subgroup级别的评估指标，计算方式如下 重要概念：Confounders Confounder是指实验中的一种变量，同时影响了Treatment，又影响了outcome，当实验中农存在这种变量时，便可能出现辛普森悖论。 上述表格中Age便是一个Confounder，age同时影响了治疗方式Treatment，又影响治疗效果，所以分组数据Young和Older，结论都是Treatment B的治疗效果更好，但是总体数据却得出Treatment A的治疗效果更好，这就是辛普森悖论。 重要概念：Selection Bias Selection Bias是指观测组的数据分布不具有代表性，直白点来说就是X和Treatment之间不是相互独立的，会存在偏差。Confounder变量的存在会影响Unit对于Treatment的选择，进而导致了selection bias，进而selection bias又会使得counterfactual outcome的预估变得更加困难。 结论：Confounder好Selection bias是Causal inference中的两个重大难题，很多方法都是在着力解决这两大问题。 1. Re-weighting methods，核心思想：为了解决数据中存在的selection bias，通过给观察数据集中的每个样本分配适当的权重，建立了一个伪总体，在这个伪总体上实验组和对照组的分布是相似的，权重的计算通过propensity-score methods来求解。 2. Mathching methods，核心思想：通过距离函数计算，将相似的数据分别分到实验组和对照组，该方法在估计反事实的同时，减少了由混杂因素带来的估计偏差。使用较多的matching方式时propensity score matching。 3. Tree-based methods，核心思想：是一种基于决策树的预测模型，如分类树和回归树。在CART中，一棵树被建立直到达到分裂容忍。这里只有一棵树，可以根据需要进行生长和修剪 4. Stratification methods，核心思想：也是为了解决数据中存在的selection bias，通过将整个组分成子组来调整选择偏倚，在每个子组中，处理组和对照组在某些测量下是相似的 5. Multitask Learning methods，实验组和对照组使用不同的模型，共享一些共同的特点 6. Meta-Learning methods，例如：S-learner，T-Learner，X-learner，R-learner等，是一个系列的解决方案。 核心思想：在original data space中执行matching是简单方便的，但是缺点是容易被不影响outcome的变量所误导，因此，可以映射到subspace进行matching来解决该问题。存在的方案有 这里给大家分享几篇经典论文
该方法将因果推断和深度学习相结合，分为以下三类 这里给大家推荐几篇经典论文
|
|
|
