因果森林中的变量重要性：分解治疗效应的异质性
摘要：因果随机森林提供了异质性治疗效果的高效估计。然而，森林算法也因为其黑盒的本质而出名，因此不能表征输入变量如何参与治疗效果的异质性，这是一个实际应用的强大限制。在本文中，我们为因果森林开发了一种新的重要变量算法，用于量化每个输入对治疗效果异质性的影响。所提出的方法借鉴了广泛用于回归问题的丢弃和重新学习原则。重要的是，我们展示了如何处理没有混淆变量的森林重新训练。如果混淆变量未涉及到治疗效果的异质性，局部居中步骤会强制一致性的重要性度量。否则，当混淆变量也影响异质性时，我们在重新训练的因果森林中引入一个校正项以恢复一致性。此外，对模拟、半合成和真实数据的实验显示了我们重要性度量的良好性能，该方法在多个测试案例中胜过竞争对手。实验还表明，我们的方法可以高效地扩展到变量组，为实际应用提供关键的洞察。
作者：Cl''ement B''enard, Julie Josse (PREMEDICAL)
论文ID：2308.03369
分类：Machine Learning
分类简称：stat.ML
提交时间：2023-08-08