Meta-learners (Reference)
SLeaner
- 训练集将原Treatment列当作特征和特征集
合并训练一个Single Model。
- 测试集中生成新的两列,一列Treatment,值为1,另一列Control,值为0,随后这两列分别和特征集
合并,用Single Model预测出两列分别为
和
。
- 估计的CATE为两列的差:
TLearner
- 训练集根据Treatment的值分为两个样本集,一个处理组样本集,一个控制组样本集,针对两个样本集分别训练两个模型Model_treatment,Model_control。
- 测试集分别使用Model_treatment和Model_control预测出两列,分别为
和
。
- 估计的CATE为两列的差:
XLearner
- 训练集根据Treatment的值分为两个样本集,一个处理组样本集,一个控制组样本集,针对两个样本集分别训练两个模型Model_treatment,Model_control。
- 在全训练集上分别使用Model_treatment和Model_control预测出两列,分别为
和
,计算残差列。如果样本Treatment列为1,则用实际值减预测值,如果样本Treatment列为0,则用预测值减实际值:
- 将残差列作为新的标签,再次根据Treatment的值分为两个样本集,一个处理组样本集,一个控制组样本集,针对两个样本集分别训练两个模型Residual_model_treatment,Residual_model_control。
- 测试集分别使用Residual_model_treatment和Residual_model_control预测出两列,分别为
和
。
- 估计的CATE为两列的差:
为propensity score。
RLearners
RLearner (Reference)
- 训练集确定好两列:Outcome和Treatment,分别以该两列为标签训练两个模型(根据值的类型确定使用分类模型还是回归模型),model_y和model_t。
- 在训练集中分别使用model_y和model_t预测出两列,分别为
和
,各自计算残差列:
- 根据以上两残差列生成残差标签
和权重
:
- 在训练集中以
为标签,权重列为
,训练回归模型,并在测试集中进行预测,得到的预测值即为估计的CATE。
Doubly Robust Learner (Reference)
训练集确定好两列:Outcome和Treatment,分别训练两个模型model_regression(回归模型)和model_propensity(分类模型)。其中,model_regression以特征集
和Treatment为输入,以Outcome为输出进行训练,model_propensity以特征集
为输入,以Treatment为输出进行训练。
使用model_propensity分别预测出Treatment和Control的倾向得分值,分别为
和
。(注:倾向得分Propensity可能会出现0的情况,可用
进行替代。)
在训练集中生成新的两列,一列Treat_value,值为1,另一列Control_value,值为0。在训练集中将Treat_value、Control_value列分别和特征集
合并,使用model_regression预测出Treatment和Control的Predicted Outcome,分别为
和
。
根据以上两列倾向得分和两列预测值分别计算
和
:
在训练集中以特征集
为输入,以
为输出,训练回归模型model_final,并在测试集中进行预测,得到的预测值即为估计的CATE。