使用机器学习评估异质治疗效果
发布时间：2022-08-26 12:44:41 所属栏目：大数据 来源：互联网
导读：引言 在许多情况下，我们不仅对估计因果效应感兴趣，而且对不同用户的这种效应是否不同也感兴趣。我们可能有兴趣了解一种药物是否对不同年龄的人有不同的副作用。或者，我们可能有兴趣了解广告活动是否在某些地理区域特别有效。 这一知识至关重要，因为它使
|
引言 在许多情况下，我们不仅对估计因果效应感兴趣，而且对不同用户的这种效应是否不同也感兴趣。我们可能有兴趣了解一种药物是否对不同年龄的人有不同的副作用。或者，我们可能有兴趣了解广告活动是否在某些地理区域特别有效。 这一知识至关重要，因为它使我们能够实施针对性治疗。如果一种药物对儿童有严重的副作用，我们可能希望限制其使用人群仅向成年人销售。或者，如果一个广告活动只在英语国家有效，那么它就不值得在其他地方展示。 在本文中，我们将探计利用机器学习算法揭示治疗效果异质性的一些方法。 案例分析 假设我们是一家公司，有兴趣了解新的保险功能能够在多大程度上增加用户收入。特别是，我们知道不同年龄段的用户有不同的消费态度，我们怀疑保险功能的影响也可能因用户年龄而异。 这些信息可能非常重要，例如对于像广告定位或折扣设计这样的应用尤其如此。如果我们发现保险功能增加了特定用户群的收入，我们可能希望针对该用户群的广告或为他们提供个性化折扣。 为了了解保险功能对收入的影响，进行了AB测试。在该测试中，我们随机向测试样本中10%的用户提供保险功能的访问权限。这项功能很昂贵，我们负担不起将其免费提供给更多用户。因此，我们希望能够达到10%的治疗概率就足够了。 我们选择使用src.dgp库提供的数据生成过程dgp_premium()函数来生成试验中所需要的模拟数据。此外，我们还要从src.utils库导入一些必要的绘图函数和库。 复制 from src.utils import * from src.dgp import dgp_premiumdgp = dgp_premium() df = dgp.generate_data(seed=5) df.head() 1. 2. 3. 4. 数据快照 实验中，我们采集了300名用户的数据，我们观察他们产生的收入，以及他们是否获得了医疗保险功能。此外，我们还记录了这些用户的年龄。 为了了解随机化是否有效，我们使用美国Uber公司的causalml软件包中的create_table_one函数生成了一个协变量平衡表，其中包含实验组和对照组的可观察特征的平均值。顾名思义，这应该始终是您在因果推理分析中呈现的第一个表。 复制 from causalml.match import create_table_one create_table_one(df, 'premium', ['age', 'revenue']) 1. 2. 平衡表 由上表可见，大多数用户都出现在对照组中，只有31个用户位于实验组中。不同组的平均年龄具有可比性（标准化平均差，SMD<0.1），而且看起来保险功能平均为每个用户增加了2.59美元的收入。 那么，保险功能的效果是否因用户年龄而异？ 一种简单的方法是，在保险功能和年龄的充分交互作用下对收入进行回归分析。 复制 linear_model = smf.ols('revenue ~ premium * age', data=df).fit() linear_model.summary().tables[1] 1. 2. 线性回归结果 从上述分析结果看出，交互作用系数接近零且不显著。似乎保险费方面不存在年龄差异效应。但事实上，这是真的吗？因为交互作用系数仅捕捉线性关系。如果这种关系是非线性的呢？ 我们可以通过直接绘制原始数据进行检查。我们按年龄划分收入，将数据分为保险用户和非保险用户。 复制 sns.scatterplot(data=df, x='age', y='revenue', hue='premium', s=40); （编辑：许昌站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
