摘要

本文探讨了利用神经网络从观察数据中估计处理效应的方法。通常，估计过程分为两个阶段。首先，我们为每个单元拟合预期结果模型和处理概率（倾向得分）模型。其次，我们将这些拟合的模型应用于下游的效应估计器中。神经网络是第一阶段建模的自然选择。本文关注的问题是：如何调整用于第一阶段的神经网络的设计和训练，以提高最终处理效应估计的质量？我们基于统计学文献中关于处理效应估计的见解，提出了两种改进方法。第一种是一个新的架构——Dragonnet（龙网），该架构利用了倾向得分在估计调整中的充分性。第二种是一种正则化程序——目标正则化（targeted regularization），该程序诱导模型偏向具有非参数最优渐近性质的模型。基准数据集上的因果推断研究表明，这两种改进方法优于现有方法。代码可在github.com/claudiashi57/dragonnet获取。