[论文解读] A Deep Causal Inference Approach to Measuring the Effects of Forming Group Loans in Online Non-profit Microfinance Platform

Thai Pham, Yuanyuan Shen|arXiv (Cornell University)|Jun 8, 2017

FinTech, Crowdfunding, Digital Finance被引用 9

一句话总结

本文提出了一种结合深度学习与双重稳健估计和目标最大似然估计的深度因果推断框架，用于衡量基瓦（Kiva）在线微贷平台中群体贷款对资金募集速度的因果影响。通过使用基于自然语言处理（NLP）的贷款描述文本嵌入，研究发现组建群体贷款可将平均资金募集时间缩短3.3天，表明在慈善性众筹环境中，群体贷款显著加快了资金募集速度。

ABSTRACT

Kiva is an online non-profit crowdsouring microfinance platform that raises funds for the poor in the third world. The borrowers on Kiva are small business owners and individuals in urgent need of money. To raise funds as fast as possible, they have the option to form groups and post loan requests in the name of their groups. While it is generally believed that group loans pose less risk for investors than individual loans do, we study whether this is the case in a philanthropic online marketplace. In particular, we measure the effect of group loans on funding time while controlling for the loan sizes and other factors. Because loan descriptions (in the form of texts) play an important role in lenders' decision process on Kiva, we make use of this information through deep learning in natural language processing. In this aspect, this is the first paper that uses one of the most advanced deep learning techniques to deal with unstructured data in a way that can take advantage of its superior prediction power to answer causal questions. We find that on average, forming group loans speeds up the funding time by about 3.3 days.

研究动机与目标

• 调查在基瓦平台上组建群体贷款是否相比个人贷款能缩短资金募集时间。
• 评估在慈善性、非营利性的在线微贷环境中，群体贷款的因果影响。
• 将深度学习与因果推断方法相结合，以建模非结构化文本数据（贷款描述）并提升处理效应估计的准确性。
• 评估群体贷款是否能降低贷款人的风险暴露，并提升实地合作伙伴的资金拨付效率。
• 为实地合作伙伴提供可操作的见解，判断将借款人合并为群体是否能加速资金募集。

提出的方法

• 使用深度学习——特别是长短期记忆（LSTM）网络和多层感知机（MLP）——从非结构化贷款描述文本中提取嵌入，用于因果推断模型。
• 应用双重稳健估计（DRE）和目标最大似然估计（TMLE）来估计平均处理效应，利用深度学习同时估计倾向得分模型和结果模型。
• 采用影响曲线估计标准误并构建处理效应估计的置信区间。
• 对缺失数据进行插补，并剔除倾向得分位于[0.01, 0.99]区间外的观测值，以确保模型稳定性和减少偏差。
• 将基于深度学习的估计器与传统方法（如正则化线性回归、随机森林）进行比较，以评估性能和鲁棒性。
• 使用保留测试集验证模型性能，并通过F1分数和预测准确率评估以确保模型的泛化能力。

实验结果

研究问题

• RQ1 在基瓦平台上组建群体贷款是否会导致资金募集速度相比个人贷款更快？
• RQ2 在微贷环境中，将贷款描述中的文本信息纳入模型在多大程度上能提升因果效应估计的准确性？
• RQ3 基于深度学习的因果推断模型与经典统计模型相比，在估计资金募集时间处理效应方面表现如何？
• RQ4 群体贷款的处理效应在不同借款人子群体（如农业或零售行业借款人）中是否具有一致性？
• RQ5 在控制贷款金额及其他协变量后，群体贷款对资金募集速度的平均处理效应的大小是多少？

主要发现

• 平均而言，组建群体贷款可将资金募集时间缩短3.3天，表明对资金拨付速度有显著的正面影响。
• 深度学习模型——特别是深度LSTM——在估计倾向得分和结果模型方面均优于传统方法（如RLR、RF）。
• 引入文本数据显著提升了模型性能，尤其在倾向得分估计方面表现更优，体现为更高的F1分数。
• 结合深度学习组件的双重稳健估计器（DRE）和目标最大似然估计器（TMLE）能够产生一致且精确的ATE估计，标准误较低。
• 朴素和基线估计器产生误导性结果，显示无影响甚至为负影响，凸显了先进因果建模的重要性。
• 采用深度LSTM的TMLE方法得到的ATE估计为-3.29天，标准误为0.167，证实了该深度学习增强的因果推断框架具有高度的稳健性和精确性。