[论文解读] Double/Debiased Machine Learning for Dynamic Treatment Effects

Greg Lewis, Vasilis Syrgkanis|arXiv (Cornell University)|Feb 17, 2020

Advanced Causal Inference Techniques被引用 8

一句话总结

本文提出了一种双/去偏机器学习框架，用于在高维、时变设定下估计动态处理效应，且存在多种处理。通过采用等价于Neyman正交矩估计器的顺序回归剥除过程，该方法即使在使用任意机器学习方法控制高维状态时，也能实现根n渐近正态性与有效的因果效应参数推断。

ABSTRACT

We consider the estimation of treatment effects in settings when multiple treatments are assigned over time and treatments can have a causal effect on future outcomes. We formulate the problem as a linear state space Markov process with a high dimensional state and propose an extension of the double/debiased machine learning framework to estimate the dynamic effects of treatments. Our method allows the use of arbitrary machine learning methods to control for the high dimensional state, subject to a mean square error guarantee, while still allowing parametric estimation and construction of confidence intervals for the dynamic treatment effect parameters of interest. Our method is based on a sequential regression peeling process, which we show can be equivalently interpreted as a Neyman orthogonal moment estimator. This allows us to show root-n asymptotic normality of the estimated causal effects.

研究动机与目标

• 在随时间分配多种处理并影响未来结果的情况下，估计动态处理效应。
• 解决高维状态向量在纵向设定中混淆因果估计的挑战。
• 在保持有效统计推断的同时，允许使用任意机器学习方法控制高维状态。
• 即使在高维条件依赖下，仍为动态处理效应参数提供根n渐近正态性与置信区间。
• 开发一种对高维状态空间中模型误设具有鲁棒性的框架。

提出的方法

• 该方法将系统建模为具有高维状态的线性状态空间马尔可夫过程。
• 引入一种顺序回归剥除过程，以迭代方式去除处理效应估计的偏差。
• 证明该剥除过程在数学上等价于Neyman正交矩估计器，从而确保对高维干扰函数估计误差的鲁棒性。
• 该框架允许使用任何机器学习方法来估计高维状态，只要该方法满足均方误差保证。
• 构建对干扰函数正交的估计方程，从而在弱正则性条件下实现有效推断。
• 该方法支持动态处理效应参数的参数估计与置信区间构建。

实验结果

研究问题

• RQ1 我们能否在高维、时变系统中，对存在多种处理的动态处理效应进行一致估计？
• RQ2 如何使用机器学习方法控制高维状态向量，同时不破坏统计推断的有效性？
• RQ3 在何种条件下可确保此类设定下估计处理效应的根n渐近正态性？
• RQ4 能否为状态空间模型中的动态处理效应构造Neyman正交估计方程？
• RQ5 顺序回归剥除过程如何确保对高维状态估计误差的鲁棒性？

主要发现

• 所提方法实现了估计动态处理效应的根n渐近正态性，从而支持有效推断。
• 顺序回归剥除过程等价于Neyman正交矩估计器，确保对高维状态估计误差的鲁棒性。
• 该框架允许使用任意机器学习方法估计高维状态，只要其满足均方误差保证。
• 在弱正则性条件下，可构建具有有效覆盖概率的动态处理效应参数置信区间。
• 即使高维状态通过复杂、非参数方法估计，该方法仍保持统计效率与有效性。