Комбо из 10 постов по Causal Inference [Артем Груздев]

Складчина: Комбо из 10 постов по Causal Inference [Артем Груздев]

Программа:

1. Отбор лучшей казуальной модели с помощью R-скорера

• Класс RScorer для сравнения нескольких моделей эффекта по R-критерию (Nie & Wager).
• Применять для объективного выбора лучшей модели CATE – это альтернатива использованному в работе сравнению по остаточному среднеквадратичному отклонению (MSE).

2. Примеры использования OrthoIV и DRIV

• Семейство алгоритмов с инструментальными переменными (OrthoIV, DMLIV, DRIV), сочетающих подходы двойного и дважды робастного машинного обучения.
• Применять при эндогенном воздействии, когда присутствует ненаблюдаемый конфаундер, но доступен инструмент.
• Частный случай (Intent-to-Treat DRIV) – рандомизированный эксперимент с неполным соблюдением (non-compliance).

3. Примеры применения взвешенного двойного машинного обучения

• Применение DML к взвешенным или агрегированным данным.
• Применять, когда данные поступают в виде сегментов или сводок (число наблюдений и дисперсия по сегменту), а не построчно.

4. Примеры применения двойного машинного обучения

• Демонстрирует классы LinearDML и SparseLinearDML.
• Применять, когда воздействие не является эндогенным (инструменты не требуются), а конфаундеры наблюдаемы; SparseLinearDML – именно в случае, когда вектор контролей W высокоразмерный и обе стадии оценивания линейны.

5. Примеры применения динамического двойного машинного обучения

• Класс DynamicDML для воздействий, назначаемых последовательно во времени и влияющих на будущие исходы.

6. Примеры применения ортогонального случайного леса и каузального леса

• Классы CausalForestDML и OrthoForest (ортогональный случайный лес).
• Применять, когда требуется оценка гетерогенного эффекта воздействия (HTE) и есть основания подозревать нелинейные взаимодействия.
• ORF особенно эффективен при большом количестве конфаундеров благодаря ортогонализации.

7. Примеры трансформация воздействия

• Аргумент treatment_featurizer для учета нелинейности по самому воздействию (например, когда отклик линеен относительно квадрата воздействия).
• Применять, когда исход зависит от преобразования воздействия, а не от него напрямую; этот прием, например, может помочь уловить нелинейный отклик D→Y, оставшийся незахваченным.

8. Policy Learning (построение политики назначения воздействия) с помощью деревьев и лесов

• Классы PolicyTree и PolicyForest: не просто оценить эффект, а вывести правило назначения воздействия (кому следует применять вмешательство), максимизирующее бизнес-value.
• Применять для перевода оценок CATE в практическую политику – прямой мост к бизнес-рекомендациям по ценовым сегментам.

9. Обобщенные случайные леса

• Низкоуровневый модуль econml.grf (высокопроизводительная Cython-реализация R-пакета grf): CausalForest, IVForest, RegressionForest.
• Применять, когда нужны максимальная производительность и тонкий контроль над построением леса, а не высокоуровневая обертка.

10. Валидация моделей оценки CATE

• Диагностика качества оценки CATE: тест на наилучший линейный предиктор (BLP), коэффициент Qini и калибровка.
• Применять, чтобы убедиться, что обнаруженная гетерогенность реальна, а не является артефактом модели.

Цена 9406 руб. (100 евро)
Скрытая ссылка
Скрытая ссылка