Саудалардарғы гетерогенді емдеу әсерлері үшін Causal Forests

Бұл блогтағы әрбір болжал модель бірдей нәрсені бағалайды: шартты орташа $\mu(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$. Feature engineering, gradient boosting, конформал аралықтар, walk-forward тексеру — бәрі бір estimand-қызмет етеді. Бұл мақаланы басқа estimand және оны алмастырғанда өзгеретін machinery туралы.

Нысан шартты орташа емдеу әсері:

сол бірлік үшін екі потенциал нәтиженің айырмасы — олардың біреуін ешқашан байқалайсыз. Сіз оған регрессия жасай алмайсыз, өйткені ол сіздің деректеріңізде жоқ. Causal forests (Athey және Imbens 2016; Wager және Athey 2018) оны параметрсіз бағалайды және, таңғажайып, оның айналасындағы жарамды сенім аралығын береді.

Үш нәрсе мұны мүмкін етеді және олардың ешқайсысы стандартты random forest-те жоқ: болжау қатесін минимизациялаудың орнына емдеу әсері дисперсиясын максималдайтын бөлу критериясы, бөлуді таңдау және оның ішіндегі әсерді бағалау үшін бірдей бақылауларды қолдануды тыйатын адалдық шектеуі, және ортақты adapted kernel ретінде қайта оқу және жапырақ қатарластық бағалау салмағына айналдыру. Бұл үшеуі, сіз тапқан гетерогенділіктің сигнал екенін айтатын калибрлау тестімен бірге, бұл мақаланың мазмұны.

Бұл қысқартылған қазақша аударма (толық контекст сақталған). Қалайтын сұрақ болса, айтпаңыз.