x-learnerってなにかわからないからメモだけ取ってみた

因果推論と機械学習

 

機械学習と因果推論はなにをしているのか

・結果と傾向スコアを機械学習によって推定してから、その推定値を使用してさらに

　機械学習のよって処置効果を推定する（meta learning）

 

・ランダムフォレストを使用し、傾向スコアを推定することなしに処置効果を推定する

 

 

　meta learn について

CATE（conditinal average treatment effect）を推定する

→平均処置効果をある条件に限定して算出したもの

 

　ate := E[Y(1) - Y(0)]

 

cate はm(0)とm(1)の差分がcate  となる

 

ある条件下で、施作を実施した場合はその結果を確認することができるが、

同一の条件下で、施作を実施しなかった場合の結果は確認できない

 

 

結果が確認できなかった方を機械学習で推定しようと考える

 

 

方法は大きく分けて２段階に分かれる

 

・処置あり/処置なしのそれぞれの効果を推定する

方法

・tree modelによる手法

・線形回帰による手法

 

処置を行った場合の効果と行わなかった場合の効果を推定し、その差分を推定効果とする

 

木モデルを使った場合

→ T-learner

 

線形回帰を使った場合

→S-learner

 

 

 

２段階目

・結果変数の正解データと推定した因果効果の差分も活用

・傾向スコア等での重みづけ

 

を使用して精度を高めるのが X-Learner

 

 

重み関数

実測値に近づけるために最適な重み関数を設定する

重み関数＝傾向スコアとなる

（ランダムフォレスト等で推定して、共変量のバランスを調整している）

 

cateを推定するために

X-Learnerが良い点

・CATEがスパースの場合でも対応しやすく、CATEの滑らかさを（微分可能性）にも対応しやすい

・データ中の処置・対照に大きな偏りがある場合にもある程度対応可能

（対照群のデータは集めやすく、処置群のデータは少ない）

 

 

Uplift Modeling の手法を用いて、どの顧客にどんなチャネルでどのような

キャンペーンを打てば、コストパフォーマンスが良いかを検証する

 

uplift modeling 

介入による効果の最大化を目的としたモデル化の手法

 

 

XーLearner 、R-Learner を改善したモデルをAUCC（Area under the uplift cover）