因果推断实战：基于Propensity Score的预测模型在实验组与对照组中的应用

1次阅读

共计 1578 个字符，预计需要花费 4 分钟才能阅读完成。

在因果推断中，Propensity Score（倾向得分）是处理观察性数据时消除混杂变量的重要工具。通过匹配、分层或加权，我们可以构建一个近似随机实验的数据集。然而，匹配后的样本往往面临以下挑战：

样本量缩减：匹配过程可能导致大量未匹配样本被丢弃
特征相关性变化：匹配后的特征分布可能不同于原始数据
评估困难：传统模型指标（如准确率）可能无法反映因果效应

以下是常见模型在匹配后数据上的表现对比：

线性回归
优点：可解释性强，计算效率高
缺点：难以捕捉非线性关系，对异常值敏感
随机森林
优点：自动处理非线性关系，抗过拟合能力强
缺点：解释性较差，可能忽略微弱信号
XGBoost
优点：处理高维数据优秀，内置正则化
缺点：需要调参，训练时间较长

# 数据预处理示例
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 假设 df 是匹配后的数据集，包含 'treatment' 列和特征列
df_matched = pd.read_csv('matched_data.csv')

# 分割实验组和对照组
treatment = df_matched[df_matched['treatment'] == 1].drop('treatment', axis=1)
control = df_matched[df_matched['treatment'] == 0].drop('treatment', axis=1)

# 特征工程：可添加交互项或多项式特征
# 这里使用原始特征作为示例
X_train, X_val, y_train, y_val = train_test_split(df_matched.drop(['outcome','treatment'], axis=1),
    df_matched['outcome'],
    test_size=0.3
)

# 模型训练 - 以随机森林为例
model = RandomForestRegressor(
    n_estimators=100,
    max_depth=5,
    random_state=42
)
model.fit(X_train, y_train)

# 评估 ATE（平均处理效应）treat_pred = model.predict(treatment)
ctrl_pred = model.predict(control)
ate_estimate = treat_pred.mean() - ctrl_pred.mean()
print(f'Estimated ATE: {ate_estimate:.4f}')