Программа:
1. Отбор лучшей казуальной модели с помощью R-скорера
- Класс RScorer для сравнения нескольких моделей эффекта по R-критерию (Nie & Wager).
- Применять для объективного выбора лучшей модели CATE – это альтернатива использованному в работе сравнению по остаточному среднеквадратичному отклонению (MSE).
2. Примеры использования OrthoIV и DRIV
- Семейство алгоритмов с инструментальными переменными (OrthoIV, DMLIV, DRIV), сочетающих подходы двойного и дважды робастного машинного обучения.
- Применять при эндогенном воздействии, когда присутствует ненаблюдаемый конфаундер, но доступен инструмент.
- Частный случай (Intent-to-Treat DRIV) – рандомизированный эксперимент с неполным соблюдением (non-compliance).
3. Примеры применения взвешенного двойного машинного обучения
- Применение DML к взвешенным или агрегированным данным.
- Применять, когда данные поступают в виде сегментов или сводок (число наблюдений и дисперсия по сегменту), а не построчно.
4. Примеры применения двойного машинного обучения
- Демонстрирует классы LinearDML и SparseLinearDML.
- Применять, когда воздействие не является эндогенным (инструменты не требуются), а конфаундеры наблюдаемы; SparseLinearDML – именно в случае, когда вектор контролей W высокоразмерный и обе стадии оценивания линейны.
5. Примеры применения динамического двойного машинного обучения
- Класс DynamicDML для воздействий, назначаемых последовательно во времени и влияющих на будущие исходы.
6. Примеры применения ортогонального случайного леса и каузального леса
- Классы CausalForestDML и OrthoForest (ортогональный случайный лес).
- Применять, когда требуется оценка гетерогенного эффекта воздействия (HTE) и есть основания подозревать нелинейные взаимодействия.
- ORF особенно эффективен при большом количестве конфаундеров благодаря ортогонализации.
7. Примеры трансформация воздействия
- Аргумент treatment_featurizer для учета нелинейности по самому воздействию (например, когда отклик линеен относительно квадрата воздействия).
- Применять, когда исход зависит от преобразования воздействия, а не от него напрямую; этот прием, например, может помочь уловить нелинейный отклик D→Y, оставшийся незахваченным.
8. Policy Learning (построение политики назначения воздействия) с помощью деревьев и лесов
- Классы PolicyTree и PolicyForest: не просто оценить эффект, а вывести правило назначения воздействия (кому следует применять вмешательство), максимизирующее бизнес-value.
- Применять для перевода оценок CATE в практическую политику – прямой мост к бизнес-рекомендациям по ценовым сегментам.
9. Обобщенные случайные леса
- Низкоуровневый модуль econml.grf (высокопроизводительная Cython-реализация R-пакета grf): CausalForest, IVForest, RegressionForest.
- Применять, когда нужны максимальная производительность и тонкий контроль над построением леса, а не высокоуровневая обертка.
10. Валидация моделей оценки CATE
- Диагностика качества оценки CATE: тест на наилучший линейный предиктор (BLP), коэффициент Qini и калибровка.
- Применять, чтобы убедиться, что обнаруженная гетерогенность реальна, а не является артефактом модели.
