因果推論と機械学習 その3

Meta-Learner; 「任意の汎用 ML モデル（回帰・分類器など）を部品として組み合わせ、因果効果（ATE/CATE など）を推定する“枠組み”」とのことですが、DR（Doubly Robust）、DML（Double / Debiased ML）等はこれに含めないそうです。いずれもMLを部品として組み合わせて CATE を推定しているのですが、図書を読んだだけではその差を理解できませんでした。

3. DR / DML 系、因果フォレスト

Learner	step	モデルNo.	説明変数	目的 変数	推定対象
DR	1	1a 1b	X (T=0) X (T=1)	Y Y	T-Learnerと同じ
		1c	X	T	傾向スコア；e(X)
	2				DR擬似効果の計算；（例）ṫ(X) = (μ₁(X) − μ₀(X)) + [(T − e(X)) / (e(X) * (1 − e(X)))] * (Y − μ_{T=T}(X))
	3	2	X	ṫ(X)	CATE; τ(X) = E[ṫ(X)|X]
DML	1	1a	X	Y	Yの応答関数 μY(X) = E[Y|X]
		1b	X	T	Tの応答関数 μT(X) = E[T|X]
	2				残差を計算：εY= Y - μY(X), εT= T - μT(X)
	3	2	εT	εY	CATE; τ(X)（LinearDML ではεT の係数をτと解釈）
Causal Forest	1	1a 1b	X X	Y T	DMLと同じ
	2				DMLと同じ
	3		X, εT, εY		ランダムフォレストを使用して、各ノードで処置効果の異質性（分散）を最大化する分割を選択。ノードでの処置効果 = Σ(εY × εT) / Σ(εT²)
	4				CATE; τ(X)（各特徴量Xの組み合わせに対して、局所的な処置効果を推定）

 

• e(X)は「データからの比率」から求めるか、X→T のモデルで推定（DR）。
• DR：μ₀, μ₁, e を一つの式で混ぜた DR擬似効果 ṫ(X) を作り、それを1本の τ(X) モデルで学習。
• DML（LinearDML）：Y と T を X による予測で残差化し、残差同士を線形回帰して τ(X) を得る。

3つの中だとDMLが好みです。