【剑桥大学博士论文】使用机器学习的因果推断中的两个问题的半参数方法

文章预览

科学应用（如个性化（精准）医学）需要因果机制的统计保证，然而在许多情况下，仅有复杂的观察数据可用。这些数据通常具有复杂的底层交互。机器学习的最新进展使得建模这些系统成为可能，但其固有的偏见和黑箱特性给推断带来了挑战。半参数方法能够利用这些强大的非参数回归过程，为数据生成过程中的有趣参数成分提供有效的统计分析。 本论文由三章组成。第一章总结了半参数和因果推断的文献，特别关注双重稳健方法和条件独立性测试。在第二章中，我们探讨了平均部分效应的双重稳健估计——线性模型中线性系数的推广和因果效应的局部度量。这个框架涉及两个插件扰动函数估计，并相互权衡其误差。第一个扰动函数是条件期望函数，其估计要求可微分。我们建议将不必可微分的任意插件机器学习回归与高斯核卷积，并证明在一 ………………………………