因果机器学习模型-核方法:治疗效果、反事实、中介和代理，附72页ppt与视频

程个基本猹因果建模且务晀垩观察到癴菄变量X鯽是癶情况下，预洋干预(或治疗)D= D对结果Y的影响。我们可以通过边缘化条件平均值E(Y|X,D)除以P(X)的估计得到平均治疗效果(ATE:干预D的预期结果)。更复杂的因憜腳缌销题需要更细致的处理マ例如，而治疗者的幜均氌疗(ATT)嘯瓴的是一个反事实:寙振说d治畳瘄乥縴伌进豌d'沁痯的结。是䋁么?在这种机围深，我仴必须在条仴分布P(X\d)上軴约历\gamma，这对连续多变量d杬謂是一个挑战。许多附加的因果问题要求我们在条件分布上边缘化，包括条件ATE、中介分析、动态治疗效果，以及使用代理变量对未观察到的混杂因素进行校正。我们在非参李颾飞中俺甌核方法来荁年这些问题，核方法可以人失于途—丌踔繶处理D昬协变量X(关续多元，字符串，组，…)我们通过核脊回归学习\gamma，并使用核条件均值嵌入对条件分布进行边缘化，这可以被认为是两阶段最小二乘的推广。我们在一般平滑假设下提供了强大的统计保证，并提供了直接而稳健的实玺(几衺份码)㷲

视频：

https://mediasite.video.ufl.edu/Mediasite/Play/2645503cfa0a4c9c97a7d0858c2598961d?playFrom=1474368&autoStart=true