【MIT博士论文】数据丰富的个性化因果推断

近年来，个体层面的因果问题日益受到关注，以实现个性化的决策制定。例如，如果我们给某位特定患者开一种药物，他们的健康状况会发生什么变化？又或者，如果我们向某位特定消费者推荐一款产品，他们的行为会有怎样的反应？由于成本高昂、个性化程度高或伦理问题，开展大规模随机实验以回答这类问题在现实中往往难以实施，甚至不可行。观察数据提供了一个有价值的替代方案，但由于缺乏显式的随机化，使得统计分析面临较大挑战。

本论文旨在利用现代观察数据的丰富性，发展用于个性化因果推断的方法。在第一部分中，我们提出了一种基于指数族建模的因果推断框架。具体来说，我们将因果问题的求解转化为从单一样本中学习指数族模型。为此，我们提出了一种计算上可行的替代方法，用以替代最大似然估计在学习指数族过程中的应用。 在第二部分中，我们借鉴了“双重稳健估计”（doubly robust estimation）的思想，使得在潜因子模型（latent factor model）下，结合黑盒矩阵补全方法进行因果推断成为可能。