双重稳健模型

基本上，这些是利用加权模型增强结果模型的不同集合模型。

本笔记展示了不同的结果模型和倾向性模型组合方式，
但由于可能的组合非常多，本笔记并不打算展示所有组合。

%matplotlib inline
from sklearn.linear_model import LogisticRegression, LinearRegression
from causallib.datasets import load_nhefs
from causallib.estimation import IPW, Standardization, StratifiedStandardization
from causallib.estimation import AIPW, PropensityFeatureStandardization, WeightedStandardization
from causallib.evaluation import evaluate

数据

戒烟对体重减轻效果的研究。
数据示例取自 Hernán 和 Robins 的《因果推断》一书。

data = load_nhefs()
data.X.join(data.a).join(data.y).head()

简单双重稳健模型

用于平均结果。
其个体结果估计直接来自于结果模型，
但对于群体结果，它会在取加权平均之前使用个体结果预测来校正观察到的结果。

ipw = IPW(LogisticRegression(solver="liblinear"), clip_min=0.05, clip_max=0.95)
std = StratifiedStandardization(LinearRegression())
dr = AIPW(std, ipw)
dr.fit(data.X, data.a, data.y)
AIPW(outcome_covariates=None, outcome_model=StratifiedStandardization(learner=LinearRegression()), overlap_weighting=False, predict_proba=False, weight_covariates=None,
     weight_model=IPW(clip_max=0.95, clip_min=0.05, use_stabilized=False, verbose=False,
    learner=LogisticRegression(solver='liblinear')))

双重稳健校正群体结果

pop_outcome = dr.estimate_population_outcome(data.X, data.a, data.y)
pop_outcome
qsmk
0    1.761707
1    5.205193
dtype: float64
effect = dr.estimate_effect(pop_outcome[1], pop_outcome[0])
effect
diff    3.443486
dtype: float64

双重稳健 IP 特征模型

训练一个加权模型，然后将其输出（预测的权重）作为附加特征输入到结果模型中。

如果可能（如同 IPW），会使用整个权重矩阵（每个个体对于每种处理的权重），
但通常情况下，只会使用权重向量（根据实际的处理分配）。

ipw = IPW(LogisticRegression(solver="liblinear"))
std = Standardization(LinearRegression())
dr = PropensityFeatureStandardization(std, ipw)
dr.fit(data.X, data.a, data.y)
PropensityFeatureStandardization(feature_type=weight_vector, outcome_covariates=None, outcome_model=Standardization(encode_treatment=False, predict_proba=False,
                learner=LinearRegression()), predict_proba=False, weight_covariates=None,
                                 weight_model=IPW(clip_max=None, clip_min=None, use_stabilized=False, verbose=False,
    learner=LogisticRegression(solver='liblinear')))
ind_outcomes = dr.estimate_individual_outcome(data.X, data.a)
ind_outcomes.head()

effect = dr.estimate_effect(ind_outcomes[1], ind_outcomes[0],
                            effect_types=["diff", "ratio"])
effect
diff     3.112635
ratio    2.694151
dtype: float64