ترجمه فارسی مقاله متغیرهای ابزاری مبتنی بر تشویق تعمیم‌یافته برای رگرسیون خلاف واقع

چکیده

In causal inference, encouragement designs (EDs) are widely used to analyze causal effects, when randomized controlled trials (RCTs) are impractical or compliance to treatment cannot be perfectly enforced. Unlike RCTs, which directly allocate treatments, EDs randomly assign encouragement policies that positively motivate individuals to engage in a specific treatment. These random encouragements act as instrumental variables (IVs), facilitating the identification of causal effects through leveraging exogenous perturbations in discrete treatment scenarios. However, real-world applications of encouragement designs often face challenges such as incomplete randomization, limited experimental data, and significantly fewer encouragements compared to treatments, hindering precise causal effect estimation. To address this, this paper introduces novel theories and algorithms for identifying the Conditional Average Treatment Effect (CATE) using variations in encouragement. Further, by leveraging both observational and encouragement data, we propose a generalized IV estimator, named Encouragement-based Counterfactual Regression (EnCounteR), to effectively estimate the causal effects. Extensive experiments on both synthetic and real-world datasets demonstrate the superiority of EnCounteR over existing methods.

چکیده به فارسی (ترجمه ماشینی)

در استنتاج علی ، از طرح های تشویق (ED) به طور گسترده ای برای تجزیه و تحلیل اثرات علی استفاده می شود ، هنگامی که کارآزمایی های کنترل شده تصادفی (RCT) غیر عملی هستند یا انطباق با درمان نمی توانند کاملاً اجرا شوند.بر خلاف RCT ها ، که به طور مستقیم درمان ها را اختصاص می دهد ، ED به طور تصادفی سیاستهای تشویق را اختصاص می دهد که افراد را به سمت مثبت انگیزه می دهد تا در یک درمان خاص شرکت کنند.این تشویق های تصادفی به عنوان متغیرهای ابزاری (IVS) عمل می کنند ، و شناسایی اثرات علّی از طریق اعمال اختلال اگزوژن در سناریوهای درمانی گسسته را تسهیل می کند.با این حال ، برنامه های کاربردی در دنیای واقعی از طرح های تشویق اغلب با چالش هایی مانند تصادفی ناقص ، داده های تجربی محدود و تشویق های قابل توجهی کمتر در مقایسه با درمانها روبرو هستند ، مانع برآورد اثر علی دقیق می شوند.برای پرداختن به این موضوع ، این مقاله تئوری ها و الگوریتم های جدیدی را برای شناسایی اثر متوسط ​​درمانی مشروط (CATE) با استفاده از تغییرات در تشویق معرفی می کند.علاوه بر این ، با استفاده از داده های مشاهده ای و تشویق ، ما یک برآوردگر کلی IV را که به نام رگرسیون ضد خلاف واقع (برخورد) مبتنی بر تشویق (برخورد)) پیشنهاد می کنیم ، برای برآورد مؤثر اثرات علی پیشنهاد می کنیم.آزمایش های گسترده در هر دو مجموعه داده مصنوعی و واقعی در دنیای واقعی ، برتری برخورد نسبت به روشهای موجود را نشان می دهد.