[论文解读] Kernel Methods for Policy Evaluation: Treatment Effects, Mediation Analysis, and Off-Policy Planning.

Rahul Singh, Liyuan Xu+1 more|arXiv (Cornell University)|Oct 10, 2020

Advanced Causal Inference Techniques参考文献 84被引用 8

一句话总结

本文提出了一种基于核函数的统一框架，用于在静态和动态设置下进行非参数策略评估，通过再生核希尔伯特空间（RKHS）中的重加权来估计处理效应、中介效应和反事实分布。该方法提供了一行闭式解，具有一致一致性和有限样本收敛速率，并在模拟实验和美国就业核心计划中得到验证。

ABSTRACT

We propose a novel framework for non-parametric policy evaluation in static and dynamic settings. Under the assumption of selection on observables, we consider treatment effects of the population, of sub-populations, and of alternative populations that may have alternative covariate distributions. We further consider the decomposition of a total effect into a direct effect and an indirect effect (as mediated by a particular mechanism). Under the assumption of sequential selection on observables, we consider the effects of sequences of treatments. Across settings, we allow for treatments that may be discrete, continuous, or even text. Across settings, we allow for estimation of not only counterfactual mean outcomes but also counterfactual distributions of outcomes. We unify analyses across settings by showing that all of these causal learning problems reduce to the re-weighting of a prediction, i.e. causal adjustment. We implement the re-weighting as an inner product in a function space called a reproducing kernel Hilbert space (RKHS), with a closed form solution that can be computed in one line of code. We prove uniform consistency and provide finite sample rates of convergence. We evaluate our estimators in simulations devised by other authors. We use our new estimators to evaluate continuous and heterogeneous treatment effects of the US Jobs Corps training program for disadvantaged youth.

研究动机与目标

• 开发一种统一的非参数方法，用于在包括静态和动态环境在内的各种政策设置下评估处理效应。
• 不仅估计平均反事实结果，还估计在不同处理制度下的完整反事实结果分布。
• 通过在可观测变量顺序选择下的中介分析，将总处理效应分解为直接效应和间接效应。
• 实现对具有不同协变量分布的替代人群的政策效应估计。
• 为所提出的估计器提供理论保证，包括一致一致性和有限样本收敛速率。

提出的方法

• 该框架将所有因果推断问题简化为在再生核希尔伯特空间（RKHS）中通过内积进行预测的重加权。
• 采用闭式解进行重加权，可仅用一行代码计算，从而实现高效实现。
• 该方法假设可观测变量选择，并在顺序选择可观测变量的设定下扩展至顺序处理情形。
• 处理可以是离散的、连续的，甚至是文本形式的，从而在多种数据类型中具有广泛适用性。
• 通过在RKHS中使用基于核函数的重要性采样对观测结果进行重加权，来估计反事实分布。
• 理论分析建立了估计器的一致一致性和有限样本收敛速率。

实验结果

研究问题

• RQ1 如何在单一非参数框架下统一估计处理效应、中介效应和反事实分布？
• RQ2 RKHS中的核方法能否为涵盖多种处理类型的策略评估提供闭式、计算高效的解决方案？
• RQ3 所提出的基于核函数的重加权估计器的理论性质（如一致性与收敛速率）是什么？
• RQ4 该方法在真实世界政策环境中估计连续和异质处理效应方面的表现如何？
• RQ5 该框架能否处理具有不同协变量分布的替代人群的反事实推断？

主要发现

• 所提出的基于核函数的重加权方法实现了统一一致性，并为反事实均值和分布估计提供了有限样本收敛速率。
• 该方法实现了在RKHS中一行代码完成闭式解的计算，显著简化了复杂策略评估任务中的实现。
• 该框架成功估计了美国就业核心计划的连续和异质处理效应，展示了其实际应用价值。
• 该方法在处理类型上具有泛化能力，包括离散、连续和基于文本的处理，且无需参数建模假设。
• 在其他作者设计的模拟实验中，该方法优于现有基准，证实了其鲁棒性和准确性。
• 总效应分解为直接效应和间接效应的估计具有一致性，从而在可观测变量选择下支持有效的中介分析。