Estimando Efeitos Médios de Tratamento Condicional via Aprendizado de Representação Suficiente

Estimar os efeitos médios de tratamento condicional (CATE) é muito importante em inferência causal e tem uma ampla gama de aplicações em muitos campos. No processo de estimação do CATE, a suposição de não confundimento é tipicamente necessária para garantir a identificabilidade dos problemas de regressão. Ao estimar o CATE usando dados de alta dimensão, houve muitos métodos de seleção de variáveis e abordagens de redes neurais baseadas em aprendizado de representação, enquanto esses métodos não fornecem uma maneira de verificar se o subconjunto de variáveis após a redução de dimensionalidade ou as representações aprendidas ainda satisfazem a suposição de não confundimento durante o processo de estimação, o que pode levar a estimativas ineficazes dos efeitos do tratamento. Além disso, esses métodos tipicamente usam dados apenas do grupo de tratamento ou do grupo de controle ao estimar as funções de regressão para cada grupo. Este artigo propõe uma nova abordagem de rede neural chamada CrossNet para aprender uma representação suficiente para as características, com base na qual estimamos o CATE, onde cruzado indica que na estimação das funções de regressão, usamos dados de seu próprio grupo, bem como dados cruzados de outro grupo. Simulações numéricas e resultados empíricos demonstram que nosso método supera as abordagens competitivas.