观测数据

观测数据 / 样本空间覆盖均匀

psm

观测数据建模

因果模型得到什么样的值

base 0/1 gmv

uplift   delat

 

 

模型可以得到 confounder 的表征，而 NN 可以支持更个性化的结构。在这里给出两种思路：

• 思路1: 使用树模型生成的 confounder embedding 作为 NN 模型的特征。
• 思路2: 使用对抗学习做特征分解。本文的第四部分会详细解释。

RCT&ODB 融合建模

 

 DML

https://github.com/py-why/EconML/blob/main/notebooks/CustomerScenarios/Case%20Study%20-%20Customer%20Segmentation%20at%20An%20Online%20Media%20Company.ipynb

参考

1. 因果推断笔记——DR ：Doubly Robust学习笔记（二十） - 知乎
2. 健康险精算师必读系列 | 用观测数据进行因果推断 - 知乎
3. 基于观测数据的因果发现及因果性学习 - 知乎
4. AAAI 2023 | 用因果推理做部分可观测强化学习 - 知乎
5. 闲聊因果效应（4）：离线评估 - 知乎
6. 因果推断笔记——数据科学领域因果推断案例集锦（九） - 知乎
7. 基于表征学习的因果推断技术在快手的实践 - AIQ
8. 快手异质性因果效应模型构建及应用 - AIQ
9. 因果推断笔记——DML ：Double Machine Learning案例学习（十六） - 知乎
10. Double Machine Learning(DML) 原理及其应用 - 知乎
11. 因果推断与反事实预测——利用DML进行价格弹性计算（二十四） - 知乎
12. 因果推断--Double Machine Learning（DML） - 知乎
13. DML: Double/Debiased Machine Learning - 知乎
14. 因果推断——借微软EconML测试用DML和deepIV进行反事实预测实验（二十五） - 知乎