基于表征学习的因果推断技术实践

AI智能总结

Covariate Balance: 在多个处理组中，除了处理变量外，其他协变量的分布一致。
Exchangeability: 随机试验使得处理变量和潜在结果之间不存在关联。
No Backdoor Paths: 随机试验消除了后门路径，确保了因果关系。
Covariate Balance 的数学推导:
- 使用do算子和概率公式推导，证明covariate balance导致因果效应与关联效应相等。
RCT 实验的优势与挑战:
- 成本高，缺乏通用性。
- 两种RCT设计方案：嵌套设计和非嵌套设计。
- RCT方案设计要点：明确目标人群、流量shuffle、样本维度选择。
Online RCT:
- 小流量持续在线RCT更经济有效，有助于保持数据一致性。
RCT 校验工具:
- 数据正确性检查、特征筛选、因果模型评估模块。

PS Matching 方法:
- 通过分层计算各层的因果效应，最终加权得到总体的因果效应。
- 优点在于解决了PS在极端值处样本量不足的问题。
观测数据到RCT数据转换:
- 分层：根据倾向得分进行分层。
- 协变量调整：使RCT和ODB样本分布一致。
- 调权：构造样本被分到处理组和对照组概率一致。
假设检验校验机制:
- 通过假设检验判断层内是否达到covariate balance。
特征分解:
- 去除工具变量的影响，提高PS模型效果。
- 使用RCT数据训练的uplift模型预估的Δ向量作为聚类特征。