AB实验人群定向HTE模型5 - Meta Learner_ab hte

作者：菜鸟追梦旅行 | 2024-03-15 03:49:41

踩

ab hte

Meta Learner和之前介绍的Causal Tree直接估计模型不同，属于间接估计模型的一种。它并不直接对treatment effect进行建模，而是通过对response effect(target)进行建模，用treatment带来的target变化作为HTE的估计。主要方法有3种:T-Learner, S-Learner, X-Learner，思路相对比较传统的是在监督模型的基础上去近似因果关系。

Meta-Learner的优点很明显，可以使用任意ML监督模型进行拟合不需要构建新的estimator。所以如果有必需要基于DNN/LGB的需求不妨用Meta-Learner作为Benchamrk

核心论文

Künzel, S. R., Sekhon, J. S., Bickel, P. J., & Yu, B. (2019). Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the National Academy of Sciences, 116(10), 4156–4165.

模型

T-Learner

T是two的缩写，是比较传统的ML模型用于因果推理的方式。对照组和实验组进行分别建模得到两个模型,对每个样本计算两个模型的预测值之差作为HTE的估计

\begin{aligned} μ_{0} (x) = E [Y (0) | X = x] \\ μ_{1} (x) = E [Y (1) | X = x] \\ \hat{τ} (x) = {\hat{μ}}_{1} (x) - {\hat{μ}}_{0} (x) \end{aligned}

$\begin{align} \mu_0(x) = E[Y (0)|X = x]\\ \mu_1(x) = E[Y (1)|X = x]\\ \hat{\tau}(x) = \hat{\mu}_1 (x) - \hat{\mu}_0(x) \end{align}$

T-Learner有3个很明显的问题

对照组的模型无法学到实验组的pattern，实验组的模型也无法用到对照组的数据。两个模型完全隔离，也就导致两个模型可能各自有各自的偏差，从而导致的预测产生较大的误差。
T-Learner限制了Treatment只能是离散值
大多数情况下treatment effect和response相比都是很小的，因此在response上的估计偏差会对treatment有很大影响

S-Learner

S是Single的缩写，把对照组和实验组放在一起建模，把实验分组作为特征加入训练特征。然后用Imputation的方法计算如果该样本进入实验组vs对照组模型预测的差异作为对实验影响的估计。

\begin{aligned} μ (x, w) & = E [Y | X = x, W = w] \\ \hat{τ} (x) & = \hat{μ} (x, 1) - \hat{μ} (x, 0) \end{aligned}

$\begin{align} μ(x, w) &= E[Y|X = x, W = w]\\ \hat{\tau}(x) &= \hat{\mu} (x,1) - \hat{\mu}(x,0) \end{align}$

S-Learner的问题同样在于本质是对response进行拟合。如果使用树作为Base-learner,最终的HTE可以简单理解为样本落在不同的叶节点，叶节点的样本差异。但因为树本身是对outcome进行建模而非对treatment effect进行建模，很有可能有效的人群划分方式在这种情况下并学习不到。

S-Learner的思想很常见，和可解释机器学习中的Individual Conditional Expectation(ICE)本质是一样的，在全样本上求平均也就是大家熟悉的Partial Dependence。

X-Learner

X-Learner是针对上述提到的问题对T-Learner和S-Learner进行了融合。步骤如下

分别对对照组和实验组进行建模得到模型 $M_1$ , $M_2$ 和T-Learner一样
把对照组放进实验组模型预测，再把实验组放进对照组模型预测，预测值和实际值的差作为HTE的近似。这里和S-Learner的思路近似是imputation的做法。
实验组和对照组分别对上述target建模得到 $M_3$ , $M_4$ ，每个样本得到两个预测值然后加权，权重一般可选propensity score，随机实验中可以直接用进组用户数，流量相同的随机实验直接用0.5感觉也没啥问题

\begin{aligned} \hat{μ_{0}} (x) & = M_{1} (Y^{0} \sim X^{0}) \\ \hat{μ_{1}} (x) & = M_{2} (Y^{1} \sim X^{1}) \\ \hat{D_{1}} (x) & = Y_{1} - {\hat{μ}}_{0} (x) \\ \hat{D_{0}} (x) & = {\hat{μ}}_{1} (x) - Y_{0} \\ \hat{τ_{0}} & = M_{3} (\hat{D_{0}} (x) \sim X_{0}) \\ \hat{τ_{1}} & = M_{4} (\hat{D_{1}} (x) \sim X_{1}) \\ \hat{τ} & = g (x) * \hat{τ_{0}} + (1 - g (x)) * \hat{τ_{1}} \end{aligned}

$\begin{align} \hat{\mu_0}(x) &= M_1(Y^0 \sim X^0)\\ \hat{\mu_1}(x) &= M_2(Y^1 \sim X^1)\\ \hat{D_1}(x) &= Y_1 - \hat{\mu}_0(x)\\ \hat{D_0}(x) &= \hat{\mu}_1(x) - Y_0 \\ \hat{\tau_0} &= M_3(\hat{D_0}(x) \sim X_0)\\ \hat{\tau_1} &= M_4(\hat{D_1}(x) \sim X_1)\\ \hat{\tau} &= g(x) *\hat{\tau_0} + (1-g(x)) *\hat{\tau_1}\\ \end{align}$

方法比较

在作者分别给出几种可能类型的simulation，并评估S，X，T的表现。以下分别是：Treatment unbalanced, CATE complex linear, CATE complex non-linear, HTE=0 global linear, HTE=0 local linear。

简而言之，实验影响较大时X-Learner表现最好，实验影响微小时S-Learner和X-Learner表现差不多。

对其他HTE模型感兴趣的

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/菜鸟追梦旅行/article/detail/238796