• Гость, подпишитесь сейчас

    📥 Наш адрес сайта меняется, чтобы быть в курсе актуального адреса, подпишитесь на телеграм канал «Подписаться»
Скачать 

Комбо из 10 постов по Causal Inference [Артем Груздев]

Описание складчины

Курс Комбо из 10 постов по Causal Inference [Артем Груздев] поможет освоить программирование с нуля или повысить уровень разработки. Купить курс в складчину — выгодный способ получить современные знания.

Зарегистрируйтесь, чтобы посмотреть контент
Организатор
Организатор
Организую Складчины
Команда форума
Сообщения
677 878
Реакции
16 984
Монеты
325
Оплачено
1
Ссылка на картинку
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.
Показать больше
 
Зарегистрируйтесь , чтобы посмотреть авторский контент.
causal inference policy learning артем груздев трансформация воздействия
Похожие складчины
Найти больше схожих складчин

Зарегистрируйте учетную запись

У вас появится больше возможностей!

Создать учетную запись

Пройдите быструю регистрацию

Войти

Уже зарегистрированы? Войдите.

Сверху