R-Learner

论文出处：Quasi-Oracle Estimation of Heterogeneous Treatment Effects

适用情形：随机干预实验的数据

• ex → 特征 x 对干预 w 的影响，也是 [[倾向性得分]]
• $m^*(x)=E(Y \mid X=x)$ → 基于特征 x 对目标 y 的影响 conditional mean outcome
• $m^*(x)=E(Y \mid X=x)=\mu_{(0)}^*(x)+e^*(x) \tau^*(x)$ 拆解逻辑 #card
  • 条件期望响应结果 $E(Y \mid X=x)$ 可以表示为
    • 不施加干预时的条件期望响应结果 $\mu_{(0)}^*(x)$
    • 倾向性得分 $e^*(x)$（即条件干预概率）与干预效应 $\tau^*(x)$ （即 CATE）的乘积。
• 观测结果 $Y_i=\mu_{(0)}^*\left(X_i\right)+W_i \tau^*\left(X_i\right)+\varepsilon_i$ 分解为 #card
  • 无干预时的条件响应结果 $\mu_0^*(X_i)$
  • 是否施加干预 $W_i$ 与因果效应 $\tau^*(X_i)$ 的乘积
  • 残差 $\varepsilon_i$
• 观测结果变换 Robinson’s transfomation #card
  • 两边分别减去条件响应结果 $m^*(X_i)$
  • 通过上述转化，我们会发现，假定我们已经有了 $m^*(x)$ 以及 $e^*(x)$ 的表达式，我们就可以通过最小化残差来估计得到 treatment effect $\tau^*(x)$ ，即我们前面提到的通过一个 loss 优化问题来估计得到因果效应。
• 最终训练一个模型 $\tau(X_i)$ 最小化损失函数 $\tau^*(\cdot)=\arg \min _\tau\left\{\frac{1}{n} \sum_1^n\left(\left(Y_i-m^*\left(X_i\right)\right)-\left(W_i-e^*\left(X_i\right)\right) \tau\left(X_i\right)\right)^2+\Lambda(\tau(\cdot))\right\}$ #card
  • 用权重为 $\left(W_i-e^*\left(X_i\right)\right)^2$ 的样本 X 去拟合 $\tau\left(X_i\right)=\frac{Y_i-m^*\left(X_i\right)}{W_i-e^*\left(X_i\right)}$
  • 其中 $\Lambda$ 是模型$\tau(X_i)$ 参数的正则项，
  • $e^*(X_i)$ 和 $m^*(X_i)$ 是事先训练好的模型，
  • 此时 $\tau(X_i)$ 的输出结果就是我们想要的 CATE。

优点

• 将因果效应的估计问题转化为 {{c1 损失函数的优化}} 问题，提供了一种一般性的因果效应的预测框架。

缺点：#card

• 1）预测效果非常依赖模型 $e^*(X_i)$ 和 $m^*(X_i)$ ，但是这两个模型不一定能预测得准确。
• 2）假设了潜在结果 $Y_i$ 的分解是一种线性关系，限制了模型对复杂数据的拟合能力。

网络回响