内森·卡卢斯 因果推理的广义最优匹配方法。 （英语） Zbl 1498.62035号 J.马赫。学习。研究。 21，第62号论文，54页（2020年）. 摘要：我们开发了一个包含匹配、协变量平衡和双重稳健方法的框架，用于从观测数据进行因果推断，称为广义最优匹配（GOM）。该框架是通过推广一种新的最优匹配函数分析公式而给出的，产生了一类GOM方法，我们为其提供了一个统一的理论来分析可处理性和一致性。GOM中包括了许多常用的现有方法，并且使用它们的GOM解释，可以扩展到最优地自动权衡差额，并优于标准方法。作为一个子类，GOM产生了核最优匹配（KOM），正如新的理论和经验结果所支持的那样，它因将其他方法的许多积极特性结合在一起而引人注目。KOM作为一个线性约束凸二次优化问题求解，既继承了匹配的可解释性和无模型一致性，又可以实现精确回归的（sqrt{n}）一致性和双稳健方法的偏差减少和鲁棒性。在有限重叠的设置中，KOM为部分识别和稳健覆盖的区间估计提供了一种非常透明的方法。我们用合成数据和实际数据在示例中演示了这一点。 引用于11文件 MSC公司： 62D20型 观察性研究的因果推断 68T05型 人工智能中的学习和自适应系统 90C25型 凸面编程 65K10码 数值优化和变分技术 关键词：因果推理;最优协变量平衡;嵌入件;匹配;凸优化 软件：精密天平 PDF格式BibTeX公司 XML格式引用 \textit{N.Kallus}，J.Mach。学习。第21号决议，第62号论文，54页（2020年；Zbl 1498.62035） 全文： arXiv公司 链接 参考文献： [1] 阿尔贝托·阿巴迪和吉多·维本斯。平均治疗效果匹配估计量的大样本性质。《计量经济学》，74（1）：235-2672006年·Zbl 1112.62042号 [2] 阿尔贝托·阿巴迪和吉多·维本斯。成对实验中条件方差的估计。《经济与统计年鉴》，第175-187页，2008年·Zbl 1153.91752号 [3] 阿尔贝托·阿巴迪和吉多·维本斯。平均治疗效果的偏差校正匹配估值器。《商业与经济统计杂志》，29（1）：1-112011·Zbl 1214.62031号 [4] RK Ahuja、TL Magnanti和JB Orlin。网络流：理论、算法和应用。普伦蒂斯·霍尔，上马鞍河，1993年·Zbl 1201.90001号 [5] 苏珊·雅西（Susan Athey）、吉多·维本斯（Guido W Imbens）和斯特凡·瓦格（Stefan Wager）。通过近似剩余平衡有效推断高维平均治疗效果。arXiv预印本arXiv:1604.071252016·Zbl 1398.62194号 [6] 阿兰·贝林特（Alain Berlinet）和克里斯汀·托马斯·阿格南（Christine Thomas-Agnan）。在概率统计中再现核希尔伯特空间。Kluwer学术，2004年·Zbl 1145.6202号 [7] 迪米特里斯·伯特西马斯（Dimitris Bertsimas）、麦克·约翰逊（Mac Johnson）和内森·卡卢斯（Nathan Kallus）。在设计涉及小样本的实验时，优化相对于随机化的力量。运筹学，63（4）：868-8762015·兹比尔1329.90078 [8] 斯蒂芬·波伊斯·博伊德和利文·范登伯格。凸优化。剑桥大学出版社，剑桥，2004年·Zbl 1058.90049号 [9] Jeanne Brooks-Gunn、Fong-ruey Liaw和Pamela Kato Klebanov。早期干预对低出生体重早产儿认知功能的影响。《儿科杂志》，120（3）：350-3591992。 [10] Kwon Chuen Gary Chan、Sheung Chi Phillip Yam和Zheng Zhang。通过经验平衡校准加权对平均治疗效果进行全球有效的非参数推断。《皇家统计学会杂志：B辑（统计方法）》，78（3）：673-700，2016年·Zbl 1414.62107号 [11] Richard Crump、V Joseph Hotz、Guido Imbens和Oscar Mitnik。移动目标：通过改变2006年的估计，解决平均治疗效果估计中有限的重叠问题·Zbl 1163.62083号 [12] 亚历克西斯·戴蒙德（Alexis Diamond）和贾斯吉特·塞孔（Jasjeet S Sekhon）。估计因果效应的遗传匹配：在观察性研究中实现平衡的通用多元匹配方法。《经济与统计评论》，95（3）：932-9452013。 [13] 大卫·L·多诺霍。统计估计和最佳回收率。《统计年鉴》，第238-270页，1994年·Zbl 0805.62014号 [14] Bradley Efron和Robert J Tibshirani。引导程序简介。CRC出版社，1994年。32 ·Zbl 0835.62038号 [15] Jerome Friedman、Trevor Hastie和Robert Tibshirani。统计学习的要素。施普林格，柏林，2001年·Zbl 0973.62007号 [16] 丹尼尔·盖西（Daniel P Giesy）。赋范线性空间中的凸性条件。美国数学学会学报，125（1）：114-1461966·Zbl 0183.13204号 [17] 保罗·W·戈德堡、克里斯托弗·基·威廉姆斯和克里斯托弗·M·毕晓普。具有输入相关噪声的回归：高斯过程处理。《神经信息处理系统进展》，第493-499页，1998年。 [18] Bernard G Greenberg。协方差分析和平衡在分析调查中的应用。《美国公共卫生与国家卫生杂志》，43（6 Pt 1）：692-6991953年。 [19] 阿瑟·格雷顿（Arthur Gretton）、卡斯滕·博格沃德（Karsten M Borgwardt）、马尔特·拉什（Malte Rasch）、伯恩哈德·施奥尔科普夫（Bernhard Sch¨olkopf）和亚历克斯·J·斯莫拉。两样本问题的核方法。神经信息处理系统进展，第513-520页，2006年。 [20] M Grotschel、L Lovasz和A Schrijver。几何算法和组合优化。施普林格，纽约，1993年·Zbl 0837.05001号 [21] James J Heckman、Hidehiko Ichimura和Petra E Todd。匹配作为计量经济评估估计器：来自职业培训计划评估的证据。《经济研究综述》，64（4）：605-6541997年·Zbl 0887.90039号 [22] 詹妮弗·希尔。因果推理的贝叶斯非参数建模。《计算与图形统计杂志》，2012年。 [23] Daniel E Ho、Kosuke Imai、Gary King和Elizabeth A Stuart。匹配作为非参数预处理，用于减少参数因果推理中的模型依赖性。政治分析，15（3）：199-2362007。 [24] 斯特凡诺·米亚库斯（Stefano M Iacus）、加里·金（Gary King）和朱塞佩·波罗（Giuseppe Porro）。没有平衡检查的因果推断：粗糙的精确匹配。政治分析，第mpr0132011a页·Zbl 1396.62011年 [25] 斯特凡诺·米亚库斯（Stefano M Iacus）、加里·金（Gary King）和朱塞佩·波罗（Giuseppe Porro）。单调不平衡边界的多元匹配方法。《美国统计协会杂志》，106（493）：345-3612011b·Zbl 1396.62011年 [26] Guido W Imbens和Donald B Rubin。统计、社会和生物医学科学中的因果推理。剑桥大学出版社，2015年·Zbl 1355.6202号 [27] 内森·卡卢斯。因果推理的最佳匹配框架。2017年第20届国际人工智能与统计会议论文集。 [28] 内森·卡卢斯。控制实验设计中的最优先验平衡。英国皇家统计学会杂志：B辑（统计方法），80（1）：85-1122018·兹比尔06840458 [29] Nathan Kallus和Michele Santacatterina。核最优正交性加权：一种估计连续治疗效果的平衡方法。arXiv预印本arXiv:1910.119722019a。 [30] 内森·卡卢斯和米歇尔·桑塔卡特琳娜。使用核最优匹配对广义平均治疗效果进行最优估计。arXiv预印本arXiv:1908.047482019b。 [31] 内森·卡卢斯（Nathan Kallus）、布伦顿·彭尼科克（Brenton Pennicooke）和米歇尔·桑塔卡特琳娜（Michele Santacaterina）。在脊柱手术干预的观察研究中，使用核最优匹配对样本平均治疗效果进行更稳健的估计。arXiv预印本arXiv:1811.042742018。 [32] Leonid Vasilevich Kantorovich和G Sh Rubinstein。在完全可加函数空间上。维斯特尼克·列宁格勒。大学，13（7）：52-591958·Zbl 0082.11001号 [33] 加里·金（Gary King）和曾兰彻（Langche Zeng）。极端反事实的危险。政治分析，14（2）：131-1592006。 [34] 米歇尔·勒杜和米歇尔·塔拉格兰德。巴拿赫空间中的概率：等周和过程。施普林格，1991年·Zbl 0748.60004号 [35] Winston Lin.关于实验数据回归调整的不可知论注释：重新审视自由人的批判。应用统计年鉴，7（1）：295-3182013·Zbl 1454.62217号 [36] 伯纳德·莫雷。类型、子类型和k-凸性。巴拿赫空间几何手册，2:1299-13322003·Zbl 1074.46006号 [37] 阿尔弗雷德·穆勒（Alfred M¨uller）。积分概率度量及其函数生成类。应用概率的进展，第429-443页，1997年·Zbl 0890.60011号 [38] G皮西耶。Sur les espaces quine contiennent pas de'1无形式'ement。C.R.学院。科学。巴黎塞纳。，277:991-994, 1973. ·Zbl 0271.46011号 [39] 赵庆元和珀西瓦尔·丹尼尔。熵平衡具有双重鲁棒性。《因果推理杂志》，5（1），2017年。 [40] 詹姆斯·M·罗宾斯。顺序可忽略的缺失数据和因果推理模型中的鲁棒估计。《美国统计协会期刊》，第6-10页，1999年。 [41] 詹姆斯·罗宾斯（James M Robins）、安德烈亚·罗特尼茨基（Andrea Rotnitzky）和赵璐萍（Lue Ping Zhao）。当某些回归变量不总是被观测时，回归系数的估计。美国统计协会杂志，89（427）：846-8661994·Zbl 0815.62043号 [42] 保罗·罗森鲍姆。观察性研究的最佳匹配。《美国统计协会杂志》，84（408）：1024-10321989年。 [43] 保罗·罗森鲍姆。观察性研究的最佳设计特征。《皇家统计学会杂志：B辑（方法学）》，53（3）：597-6101991年·Zbl 0800.62465号 [44] 保罗·罗森鲍姆。观察研究设计。施普林格，纽约，2010年·Zbl 1308.62005号 [45] Paul R Rosenbaum和Donald B Rubin。因果效应观察性研究中倾向评分的中心作用。《生物统计学》，70（1）：41-551983年·Zbl 0522.62091号 [46] Paul R Rosenbaum、Richard N Ross和Jeffrey H Silber。卵巢癌治疗的观察性研究中的最小距离匹配采样和精细平衡。美国统计协会杂志，102（477）：75-832007·Zbl 1284.62670号 [47] 哈尔西·L·罗伊登。实际分析。普伦蒂斯·霍尔，1988年·Zbl 1191.26002号 [48] 唐纳德·鲁宾（Donald B Rubin），通过匹配消除观察研究中的偏见。生物统计学，第159-183页，1973年。 [49] Donald B Rubin，等百分比偏差减少的多元匹配方法，i：一些例子。生物统计学，第109-120页，1976a·Zbl 0326.62043号 [50] Donald B Rubin。等百分比偏差减少的多元匹配方法，ii:固定样本大小的偏差减少最大值。《生物计量学》，第121-1321976b页·Zbl 0326.62044号 [51] Donald B Rubin，关于“实验数据的随机化分析：fisher随机化测试评论”的评论。美国统计协会杂志，75（371）：591-5931980。 [52] 唐纳德·B·鲁宾和尼尔·托马斯。椭球分布的仿射不变匹配方法。《统计年鉴》，第1079-10931992页·Zbl 0761.62065号 [53] 弗雷德里克·塞拉夫耶、迈克尔·希金斯和贾斯吉特·塞孔。大规模选民动员实验结果的广义完全匹配和外推。arXiv预印本arXiv:1202.37572017。 [54] 丹尼尔·谢尔夫斯坦（Daniel O Scharfstein）、安德烈亚·罗特尼茨基（Andrea Rotnitzky）和詹姆斯·罗宾斯（James M Robins）。使用半参数无响应模型调整不可忽视的退出。《美国统计协会杂志》，94（448）：1096-11201999·Zbl 1072.62644号 [55] Bernhard Scholkopf和Alexander J Smola。使用内核学习：支持向量机、正则化、优化及其他。麻省理工学院出版社，2001年。 [56] Bharath K Sriperumbudur、Kenji Fukumizu和Gert RG Lanckriet。测量的普遍性、特征核和rkhs嵌入。arXiv预印本arXiv:1003.08872010·Zbl 1280.68198号 [57] 伊丽莎白·A·斯图亚特。因果推理的匹配方法：回顾与展望。《统计科学：数理统计研究所评论期刊》，25（1）：12010年1月·Zbl 1328.62007号 [58] 罗伯特·提比拉尼（Robert Tibshirani）。通过套索回归收缩和选择。英国皇家统计学会杂志。B系列（方法学），第267-288页，1996年·Zbl 0850.62538号 [59] 霍尔格·温德兰（Holger Wendland）。分散数据近似，第17卷。剑桥大学出版社，2004年·Zbl 1185.65022号 [60] 克里斯托弗·基·威廉姆斯和卡尔·爱德华·拉斯穆森。机器学习的高斯过程。麻省理工学院出版社，马萨诸塞州剑桥，2006年·Zbl 1177.68165号 [61] 安德鲁·戈登·威尔逊和瑞安·普雷斯科特·亚当斯。用于模式发现和外推的高斯过程核。在2013年国际机器学习会议上，第1067-1075页。 [62] Dan Yang、Dylan S Small、Jeffrey H Silber和Paul R Rosenbaum。肥胖和手术结果研究中的最佳匹配，与精细平衡的偏差最小。生物统计学，68（2）：628-6362012·Zbl 1274.62910号 [63] 张坤（Kun Zhang）、乔纳斯·彼得斯（Jonas Peters）、多米尼克·詹津（Dominik Janzing）和伯恩哈德·施奥尔科普夫（Bernhard Sch¨olkopf）。基于核的条件独立性测试及其在因果发现中的应用。arXiv预印本arXiv:1202.37752012。 [64] 赵清源。定制损失函数的协变量平衡倾向得分。arXiv预印本arXiv:1601058902016·Zbl 1420.62464号 [65] 何塞·祖比扎雷塔。在术后肾衰竭的观察研究中使用混合整数规划进行匹配。《美国统计协会杂志》，107（500）：1360-13712012·Zbl 1258.62119号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。