Conformal Counterfactual Inference under Hidden Confounding

个性化决策需要了解不同治疗方案下的潜在结果，而置信区间进一步丰富了这个决策过程，并提高了在高风险场景下的可靠性。在反事实的世界中预测潜在结果及其不确定性是因果推断中的根本挑战。目前构建反事实置信区间的方法要么依赖于强忽略性假设，要么需要访问无法识别的下限和上限，这些下限和上限表征了观察分布和干预分布之间的差异。为了克服这些限制，我们首先提出了一种基于转导加权符合预测的新方法wTCP-DR，它提供了对反事实结果的置信区间，即使在存在隐藏混淆的情况下也具有较好的边际覆盖保证。在较少的限制条件下，我们的方法需要访问部分干预数据（来自随机对照试验），以考虑从观察分布到干预分布的协变量漂移。理论结果明确地证明了我们的算法在哪些条件下严格优于仅使用干预数据的朴素方法。在确保反事实区间有效之后，构建个体治疗效应（ITEs）的区间就很简单了。我们在合成和真实数据（包括推荐系统）上演示了我们的方法，以验证我们的方法相对于最先进的基线方法在覆盖率和效率方面的优越性。

本论文旨在解决因果推断中对反事实结果的置信区间估计问题，特别是在存在隐性混淆变量的情况下，同时避免强忽略性假设和无法识别的下限和上限的限制。

论文提出了一种基于加权符合预测的转导方法wTCP-DR，可以为反事实结果提供置信区间，并具有较强的覆盖率保证。相比于现有方法，该方法不需要强忽略性假设，也不需要识别下限和上限。

论文使用合成数据和现实世界数据进行了实验验证，包括推荐系统等领域。实验结果表明，该方法相比于现有的基线方法在覆盖率和效率方面具有显著优势。此外，论文还提出了一些需要进一步研究的问题。

最近在这个领域中，还有一些相关的研究，包括《Causal Forests with Soft Interventions》、《Estimating Heterogeneous Treatment Effects with Counterfactual Gaussian Processes》等。