Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights

长期因果效应估计是许多应用中一个重要但具有挑战性的问题。现有方法依赖于理想假设来估计长期平均效应，例如没有未观察到的混淆因素或二元处理，然而在许多实际应用中，这些假设可能被违反，平均效应无法提供个体级建议。本文针对更一般的问题，即在考虑未观察到的混淆因素的情况下估计长期异质剂量-反应曲线（HDRC）。具体而言，为了消除观察数据中的未观察到的混淆，我们引入了一种最优输运加权框架，以理论保证将观察数据与实验数据对齐。此外，为了准确预测连续处理的异质效应，我们利用最优输运引起的重新加权分布，建立了反事实预测误差的广义界限。最后，我们基于上述理论基础开发了一个HDRC估计器。在多个合成和半合成数据集上进行的大量实验研究表明了我们提出的方法的有效性。

论文旨在解决长期因果效应估计的问题，特别是在存在未观察到的混淆变量的情况下，提出了一种估计长期异质剂量反应曲线的方法。

论文提出了一种基于最优输运加权框架的方法，以消除观察数据中的未观察到的混淆，并建立了一个基于重加权分布的计数预测误差的泛化界限，从而准确地预测连续治疗的异质效应。

论文在多个合成和半合成数据集上进行了广泛的实验研究，证明了所提出方法的有效性。此外，论文还提供了开源代码，以及值得深入研究的方向。

在这个领域的相关研究包括：'Causal Inference with Deep Latent-Variable Models'、'Causal Inference using Potential Outcomes: Design, Modeling, Decisions'等。