打破无干扰假设！新方法在复杂网络干扰下仍保证个体处理效应预测覆盖
Conformal Individual Treatment Effect Estimation under Networked Interference
📖 AI 总结
本文研究网络干扰下的个体处理效应估计问题。传统的保形反事实预测方法依赖无干扰假设，为反事实结果和个体处理效应构建具有有限样本覆盖保证的预测集。然而，当每个个体的潜在结果受到其他个体处理与协变量的影响时，倾向得分重加权无法恢复加权可交换性，现有方法可能无法实现有效覆盖。为此，作者提出干扰调整加权保形预测方法，通过构造目标干预下理想但不可观测的保形p值的可观测上界来应对干扰，所得预测集在转导和归纳两种设定下均对反事实结果和个体处理效应提供有限样本边际覆盖保证。作者还推导了当干预引起的非一致性分数变化有界时更紧致的构造。数值实验表明，所提方法能够保持名义覆盖率，而现有方法则可能失效。该工作将保形预测的有效性保证从无干扰场景推广到网络干扰场景，为存在溢出效应时的因果推断提供了更可靠的统计工具。
🔑 关键词速览
| 保形预测 | 一种构建预测集的方法，能在有限样本下提供覆盖保证，即真实值以指定概率落入预测集。 |
| 个体处理效应 | 对于每个个体，处理组与对照组潜在结果之间的差异，是因果推断的核心估计量。 |
| 网络干扰 | 个体之间的相互影响，即一个单元的处理或协变量可能影响其他单元的结果，违反无干扰假设。 |
| 倾向得分重加权 | 一种通过逆概率加权来调整混杂偏倚的统计方法，常用于观察性研究中的因果效应估计。 |
| 加权可交换性 | 在倾向得分加权后，处理组和对照组之间可交换的性质，是保形预测有效性的关键条件。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅