NeurIPS 2022｜用隐式生成模型对治疗效果进行部分识别

简介：我们考虑部分识别的问题，即从观察数据中估计治疗效果的界限。虽然使用离散治疗变量或特定因果图（如工具变量）进行了研究，但最近使用深度生成模型的工具对部分识别进行了探索。我们提出了一种新的方法，使用由连续和离散随机变量组成的隐式生成模型对一般因果图中的平均治疗效果（ATE）进行部分识别。由于连续治疗的ATE通常是非规则的，我们利用响应函数的部分导数来定义ATE的规则近似值，我们称之为均匀平均治疗导数（UATD）。我们证明，在线性结构性因果模型（SCMs）中，我们的算法会收敛到ATE的紧约束。对于非线性SCMs，我们的经验表明，与直接优化ATE的方法相比，使用UATD会导致更严格和更稳定的界限。