基于工具变量进行治疗效果部分识别的表示学习
发表于: 。本研究解决了在因果推断中,无法满足无混杂性假设的情况下,可靠估计治疗效果的问题。我们提出了一种通过将工具变量映射到离散表示空间的新方法,从而为条件平均治疗效果(CATE)提供有效的界限,显著降低估计方差并提升了估计的可靠性。实验结果表明,该方法在多个场景中表现优越,具有重要的实际应用潜力。
本研究解决了在因果推断中,无法满足无混杂性假设的情况下,可靠估计治疗效果的问题。我们提出了一种通过将工具变量映射到离散表示空间的新方法,从而为条件平均治疗效果(CATE)提供有效的界限,显著降低估计方差并提升了估计的可靠性。实验结果表明,该方法在多个场景中表现优越,具有重要的实际应用潜力。