Соода-сатыктағы гетерогендүү обработка эффектилер үчүн Causal Forests

Бул блогдагы ар бир божомдоо модель бир эле нерсе баалайт: шартты орточо $\mu(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$. Feature engineering, gradient boosting, конформал интервалдар, walk-forward валидациялаштыруу — баары бир estimand кызмат кылат. Бул макалада башка estimand жана аны алмаштырганда өзгөргөн machinery жөнүндө.

Нысан шартты орточо обработка эффектиси:

эле бир бирдик үчүн эки мүмкүнчүлүү натыйжанын айырмасы — анын бири эч качан байкалаңыз. Сиз ага регрессия кыла албайсыз, анткени ал сиздин берилиңизде жок. Causal forests (Athey жана Imbens 2016; Wager жана Athey 2018) аны параметрсиз баалайт жана таң калыштуу, анын айланасындагы кыйыр ишеним аралыгын берет.

Үч нерсени бул мүмкүн кылат жана эч бири стандарттык random forestте жок: божомдоо катасын азайткандыктын ордуна обработка эффектисин дисперсиясын максимумдаган бөлүү критериясы, бөлүүнү тандоо жана анын ичиндеги эффектти баалоо үчүн эле бир байкоолорду колдонууга тыюу салган чындык чектөө, жана жалпырақты адаптивдүү kernel катары кайра окуу жана жалбырактык катарык кою салмагына айлантуу. Бул үчөү, сиз табкан гетерогендүүлүктүн сигнал экенин айткан калибровка тести менен бирге, бул макаланын мазмуну.

Орточо эффекттен гетерогендүү эффектилерге чейин

Causal Forests: Алгоритм

Double Machine Learning байланышы

Соода-сатык колдонмо: Иш-чара таасырдын гетерогендүүлүгү

EconML мен Python ишке ашыруу

Негизги жоромдор жана диагностика

Бинардык иштетүүдөн тышкары

Практикалык караштар

Корутунду

Шилтемелер