مقاله یادگیری ماشین علّی برای تأثیرات اعتدال

چکیده

It is valuable for any decision maker to know the impact of decisions (treatments) on average and for subgroups. The causal machine learning literature has recently provided tools for estimating group average treatment effects (GATE) to understand treatment heterogeneity better. This paper addresses the challenge of interpreting such differences in treatment effects between groups while accounting for variations in other covariates. We propose a new parameter, the balanced group average treatment effect (BGATE), which measures a GATE with a specific distribution of a priori-determined covariates. By taking the difference of two BGATEs, we can analyse heterogeneity more meaningfully than by comparing two GATEs. The estimation strategy for this parameter is based on double/debiased machine learning for discrete treatments in an unconfoundedness setting, and the estimator is shown to be $\sqrt{N}$-consistent and asymptotically normal under standard conditions. Adding additional identifying assumptions allows specific balanced differences in treatment effects between groups to be interpreted causally, leading to the causal balanced group average treatment effect. We explore the finite sample properties in a small-scale simulation study and demonstrate the usefulness of these parameters in an empirical example.

چکیده به فارسی (ترجمه ماشینی)

برای هر تصمیم گیرنده ارزشمند است که به طور متوسط و برای زیر گروه ها تأثیر تصمیمات (درمانها) را بداند.ادبیات یادگیری ماشین علیت اخیراً ابزارهایی را برای برآورد اثرات درمانی متوسط گروه (GATE) برای درک بهتر ناهمگونی درمان فراهم کرده است.در این مقاله به چالش تفسیر چنین تفاوت هایی در اثرات درمانی بین گروه ها در حالی که حساب های تغییر در سایر متغیرهای متغیر است ، می پردازد.ما یک پارامتر جدید ، میانگین اثر درمانی گروه متعادل (BGATE) را پیشنهاد می کنیم ، که یک دروازه را با توزیع خاص یک متغیرهای تعیین شده پیشین اندازه گیری می کند.با در نظر گرفتن تفاوت دو bgates ، می توانیم ناهمگونی را به طور معناداری از مقایسه دو دروازه تجزیه و تحلیل کنیم.استراتژی تخمین برای این پارامتر مبتنی بر یادگیری ماشین مضاعف/debiased برای درمان های گسسته در یک تنظیم غیرقانونی است ، و برآوردگر نشان داده می شود \ SQRT {N} $-سازگار و بدون علامت در شرایط استاندارد است.اضافه کردن فرضیات شناسایی اضافی باعث می شود تفاوت های متعادل خاص در اثرات درمانی بین گروه ها به صورت علتی تفسیر شود و منجر به اثر متوسط درمان گروه متعادل شود.ما خواص نمونه محدود را در یک مطالعه شبیه سازی در مقیاس کوچک بررسی می کنیم و سودمندی این پارامترها را در یک مثال تجربی نشان می دهیم.