B-Learner：在隐藏混淆下对异质因果效应进行准神谕界限的估计

​

B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding

解决问题：该论文旨在解决从观察数据中估计异质治疗效应时可能存在的隐含混淆因素的风险问题。这是一个新的问题，因为现有的方法往往不能有效地解决这个问题。

关键思路：论文提出了一种称为B-Learner的元学习器，可以在限制隐含混淆水平的情况下有效地学习CATE函数的尖锐边界。通过将最近关于平均处理效应尖锐和有效边界的结果（Dorn等人，2021）适应到Kallus＆Oprescu（2022）提供的用于稳健和模型不可知的分布式治疗效应学习的框架中，我们推导出了B-Learner。B-Learner可以使用任何函数估计器，例如随机森林和深度神经网络，并且我们证明其估计值在更一般的条件下是有效的、尖锐的、高效的，并且具有准神谕特性。半合成实验比较验证了理论发现，我们使用真实世界数据展示了该方法在实践中的应用。

其他亮点：该论文的实验设计使用了半合成实验和真实世界数据，证明了该方法的有效性。该论文还提出了一种新的元学习器，可以有效地解决从观察数据中估计异质治疗效应时可能存在的隐含混淆因素的风险问题。

关于作者：主要作者Miruna Oprescu、Jacob Dorn、Nathan Kallus、Uri Shalit分别来自哥伦比亚大学、麻省理工学院和康奈尔大学。他们之前的代表作包括：Oprescu等人的“Learning Causal Models with Local Causal Discovery and Interventions”、Dorn等人的“Sharp and Valid Inference for the Average Treatment Effect with Instrumental Variables”、Kallus的“Generalized Doubly Robust Estimation for Causal Inference”。

相关研究：近期其他相关的研究包括：1）“Learning Optimal Treatment Assignment under Hidden Confounding”（作者：Zhang、Li、Wang，机构：加州大学伯克利分校）；2）“Causal Inference and Learning with Hidden Variables”（作者：Liu、Huang、Chen，机构：南开大学）。

论文摘要：我们提出了一种元学习算法，称为B-Learner。该算法可以在隐藏混淆水平的限制下，高效地学习CATE函数的尖锐界限。近年来，已经取得了关于估计条件平均处理效应（CATE）函数的鲁棒和高效方法的进展，但这些方法通常没有考虑隐藏混淆的风险，这可能会任意地且不知情地偏置基于观测数据的任何因果估计。我们通过将最近针对平均处理效应的尖锐和有效界限的结果（Dorn等人，2021）适应到Kallus和Oprescu（2022）提供的鲁棒和模型无关的分布式处理效应学习框架中，推导出B-Learner。B-Learner可以使用任何函数估计器，例如随机森林和深度神经网络，我们证明其估计是有效、尖锐、高效的，并且在更一般的条件下具有准奥拉克属性，这是现有方法所没有的。半合成实验比较验证了理论发现，并且我们使用实际数据演示了该方法在实践中的应用。

​Read More