Schätzung der bedingten durchschnittlichen Behandlungseffekte über ausreichendes Repräsentationslernen

Die Schätzung der bedingten durchschnittlichen Behandlungseffekte (CATE) ist in der kausalen Inferenz von großer Bedeutung und findet in vielen Bereichen Anwendung. Im Schätzprozess von CATE ist typischerweise die Annahme der Unkonfoundiertheit erforderlich, um die Identifizierbarkeit der Regressionsprobleme sicherzustellen. Bei der Schätzung von CATE mit hochdimensionalen Daten gab es viele Variablenauswahlmethoden und neuronale Netzwerkansätze, die auf Repräsentationslernen basieren, jedoch bieten diese Methoden keinen Weg, um zu überprüfen, ob die Teilmenge der Variablen nach der Dimensionsreduktion oder die gelernten Repräsentationen weiterhin die Unkonfoundiertheitsannahme während des Schätzprozesses erfüllen, was zu ineffektiven Schätzungen der Behandlungseffekte führen kann. Darüber hinaus verwenden diese Methoden typischerweise Daten nur aus der Behandlungs- oder der Kontrollgruppe, wenn sie die Regressionsfunktionen für jede Gruppe schätzen. Dieses Papier schlägt einen neuartigen neuronalen Netzwerkansatz namens CrossNet vor, um eine ausreichende Repräsentation für die Merkmale zu lernen, auf deren Grundlage wir dann die CATE schätzen, wobei 'cross' darauf hinweist, dass wir bei der Schätzung der Regressionsfunktionen Daten aus ihrer eigenen Gruppe sowie aus einer anderen Gruppe cross-utilisiert haben. Numerische Simulationen und empirische Ergebnisse zeigen, dass unsere Methode besser abschneidet als die konkurrierenden Ansätze.