超越平面: 一种关于治疗效应估计的匹配方法的几何视角
内容提要
本文探讨了利用潜在变量建模和深度学习技术解决因果推断中的混淆因素问题，提出了NICE和TAHyper等新方法，以提高个体治疗效果的估计精度，并应对异质性处理效应的挑战。研究通过局部接近度和合成潜在结果等技术，展示了在动态时间设置中有效的因果推断能力。
延伸解读
从混淆因素到个体效应：方法演进脉络
文章梳理了因果推断中处理混淆因素的多条技术路线。早期工作利用变分自编码器进行潜在变量建模，随后NICE方法通过协变量调整避免偏差，神经微分方程则被用于动态时间设置下的连续处理效应估计。这些方法共同指向一个目标：在观测数据中更准确地估计个体处理效应，而非仅关注平均效应。
应对异质性与混合处理效应的新思路
当数据来自多个异质人群时，传统条件平均处理效应无法捕捉潜在的混合处理效应。SPOs方法通过合成潜在结果绕过了完全恢复混合模型的要求，简化了可辨识性条件。这提示读者，在处理多源数据时，需关注异质性驱动下的效应混合问题，而非简单套用单一模型。
局部接近度与表示平衡的实践启示
PCR方法强调相似单元具有相似结果，并利用最优传输的局部接近度保持正则化器来平衡表示。同时，子空间投影器缓解了高维下的维度灾难。对于实践者而言，这意味着在HTE估计中，除了全局分布对齐，还应重视局部结构的保持，以更有效减轻治疗选择偏差。
Q&A
NICE方法是如何处理协变量调整的？
NICE方法通过避免偏差来处理协变量调整，提供有效的因果推断。
TAHyper方法的主要创新点是什么？
TAHyper方法通过超伸缩表示学习来增强对隐藏混淆因素的表示，解决个体治疗效果估计的挑战。
合成潜在结果(SPOs)方法的目的是什么？
SPOs方法旨在解决异质性问题并保证混合处理效应的可辨识性。
局部接近度的反事实回归(PCR)方法如何减轻治疗选择偏差？
PCR方法通过引入基于最优传输的局部接近度保持正则化器来描述差异计算，从而有效减轻治疗选择偏差。
深度学习在因果推断中的应用有哪些？
深度学习用于潜在变量建模、倾向得分匹配和处理混淆因素，以提高因果推断的精度。
如何通过神经微分方程建立潜在因子模型？
通过应用神经微分方程和随机控制微分方程，结合样本观测信息，建立潜在因子模型以连续估计处理效应。
