Узнайте, как использовать DML для оценки эффектов лечения на индивидуальном уровне, чтобы включить таргетинг на основе данных.
Эта статья является второй в серии из двух частей, посвященных упрощению и демократизации двойного машинного обучения. В 1-й части мы рассмотрели основы двойного машинного обучения, а также два основных приложения для вывода причинно-следственных связей. Теперь в пт. 2, мы расширим эти знания, чтобы превратить нашу проблему причинно-следственного вывода в задачу прогнозирования, в которой мы прогнозируем эффекты лечения на индивидуальном уровне, чтобы помочь в принятии решений и нацеливании на основе данных.
Двойное машинное обучение, как мы узнали из Части 1 этой серии, представляет собой очень гибкий метод частично-линейного причинно-следственного вывода для оценки среднего лечебного эффекта (ATE) лечения. В частности, его можно использовать для моделирования крайне нелинейных взаимосвязей в данных наблюдений и/или для уменьшения вариации нашего ключевого результата в экспериментальных условиях. Оценка ATE особенно полезна для понимания среднего воздействия конкретного лечения, что может быть чрезвычайно полезно для принятия решений в будущем. Однако экстраполяция этого лечебного эффекта предполагает некоторую степень однородности эффекта; то есть, независимо от группы населения, для которой мы проводим лечение, мы ожидаем, что эффект будет аналогичен ATE. Что, если мы ограничены в количестве людей, на которых мы можем нацелиться для будущего развертывания, и поэтому хотим понять, среди каких подгрупп лечение было наиболее эффективным для обеспечения высокоэффективного развертывания?
Этот вопрос, описанный выше, касается оценки неоднородности лечебного эффекта. То есть, как эффект нашего лечения влияет на различные подгруппы населения? К счастью для нас, DML предоставляет мощную основу для этого. В частности, мы можем использовать DML для оценки условного среднего эффекта лечения (CATE). Во-первых, давайте вернемся к нашему определению ATE:
Теперь с помощью CATE мы оцениваем ATE условно на наборе значений для наших ковариат, X:
