作为因果参数的平均处理效果(ATE)的估计分为两个步骤,其中在第一步中,建模治疗和结果以包含潜在的混乱,并且在第二步中,将预测插入到其中ATE估计器,例如增强逆概率加权(AIPW)估计器。由于对混乱与治疗和结果之间的非线性或未知关系的担忧,有兴趣应用非参数学方法,例如机器学习(ML)算法。一些文献建议使用两个单独的神经网络(NNS),其中网络的参数没有正则化,除了NN优化中的随机梯度下降(SGD)。我们的模拟表明,如果没有使用正则化,则AIPW估计器会受到广泛的影响。我们提出了AIPW(称为Naipw)的正常化,这在某些情况下可以有所帮助。 Naipw,可否提供与AIPW相同的属性,即双重稳健性和正交性属性。此外,如果第一步算法收敛到足够快,则在监管条件下,Naipw将是渐近正常的。我们还在NNS上施加小于中等L1正则化的偏差和方差方面比较AIPW和NAIPW的性能。
translated by 谷歌翻译