因果效应推断的深度潜在变量模型

从观察数据中学习个体层面的因果效应，例如推断对特定患者最有效的药物，对于政策制定者来说是一个日益重要的问题。从观察数据中推断因果效应最重要的方面是处理混杂因素，即影响干预措施及其结果的因素。一个精心设计的观察研究试图测量所有重要的混杂因素。然而，即使无法直接获取所有混杂因素，也可能存在对这些混杂因素的代理变量的噪声和不确定测量。我们基于最近在潜在变量建模方面的进展，同时估计未知的潜在空间（总结混杂因素）和因果效应。我们的方法基于变分自编码器（Variational Autoencoders, VAE），该模型遵循使用代理变量进行因果推断的结构。我们展示了我们的方法比现有方法显著更稳健，并且在以前专注于个体治疗效应的基准测试中达到了最先进的水平。