ترجمه فارسی مقاله استخراج درخت‌های سببی قابل تفسیر از جنگل‌های سببی

چکیده

Machine learning methods for estimating treatment effect heterogeneity promise greater flexibility than existing methods that test a few pre-specified hypotheses. However, one problem these methods can have is that it can be challenging to extract insights from complicated machine learning models. A high-dimensional distribution of conditional average treatment effects may give accurate, individual-level estimates, but it can be hard to understand the underlying patterns; hard to know what the implications of the analysis are. This paper proposes the Distilled Causal Tree, a method for distilling a single, interpretable causal tree from a causal forest. This compares well to existing methods of extracting a single tree, particularly in noisy data or high-dimensional data where there are many correlated features. Here it even outperforms the base causal forest in most simulations. Its estimates are doubly robust and asymptotically normal just as those of the causal forest are.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری ماشین برای برآورد ناهمگونی اثر درمانی نوید انعطاف پذیری بیشتری نسبت به روشهای موجود که چند فرضیه از پیش تعیین شده را آزمایش می کنند.با این حال ، یکی از مشکلی که این روشها می تواند داشته باشد این است که استخراج بینش از مدلهای یادگیری ماشین پیچیده می تواند چالش برانگیز باشد.توزیع ابعاد بالا از اثرات متوسط ​​درمانی مشروط ممکن است تخمین های دقیق و در سطح فردی را ارائه دهد ، اما درک الگوهای اساسی می تواند دشوار باشد.دشوار است بدانید که پیامدهای تحلیل چیست.در این مقاله درخت علیت مقطر ، روشی برای تقطیر یک درخت علیت قابل تفسیر از یک جنگل علیت پیشنهاد شده است.این به خوبی با روشهای موجود برای استخراج یک درخت واحد ، به ویژه در داده های پر سر و صدا یا داده های با ابعاد بالا که در آن ویژگی های همبستگی زیادی وجود دارد ، مقایسه می کند.در اینجا حتی در بیشتر شبیه سازی ها از جنگل علیت پایه بهتر است.تخمین های آن دقیقاً مانند آنچه در جنگل علی قرار دارد ، به طور مضاعف قوی و بدون علامت طبیعی است.