新样本的因果推断

Question

我对因果推理领域很陌生，我正试图弄清楚一些事情。下面是来自的代码片段--为什么库文档( https://microsoft.github.io/dowhy/example_notebooks/dowhy_ihdp_data_example.html )。

我的问题是:在根据一些初步数据定义了因果模型之后，是否有可能提供新的数据并确定哪种治疗最适合(每个婴儿)，以获得最佳的结果？

谢谢!

Answer 1

我认为你真正需要的是函数f，这样y = f(x，t)，其中y是结果，t是处理，x是协变量(或婴儿的特征)，因为有了这个函数，你可以比较f(x，1)和f(x，0)，看看哪个给你更好的y。

在这种情况下，我的答案是，给出的例子没有这个功能，所以你不能做到。它要求您创建函数f。您将在下面的讨论中看到您需要做的额外工作。

该示例的步骤1假设所有协变量(即所有的26 x)都是常见的原因，正因为如此，所有的26 x都应该在您想要创建的函数中。

然后你需要考虑y是如何依赖x's的。步骤3实际上也要求这样做，但是因为这是逐个案例，没有一个单一的答案，所以步骤3实际上演示了4种不同的简单方法。以步骤3.1为例，它使用线性回归，它应该有效地将f建模为：

f(x，t) = at + bx

然而，我们是否可以将这个模型用于你的目标--计算两种治疗对新生婴儿的结果的差异？是的，但是因为f(x，1) - f(x，0) = a，并且这个差独立于x，这意味着对于任何新的婴儿，你总是得到相同的结果，这意味着你总是要选择相同的处理方式。

现在我希望你们看到，你们实际上需要找到最好的函数f来模拟y，x和t之间的关系。你们可以仔细地检查y和每个给定t之间的关系，并应用机器学习工具箱中的最佳模型或模型组合。如果你最终证明了上面的线性模型是完美的模型假设，那么我只想说，好吧，把所有的新生儿都分配到同样的治疗中去。