Estimation des effets de traitement individuels par l'identification des populations causales.

Résumé L'estimation de l'effet de traitement individuel à partir de données d'observation, défini comme la différence entre les résultats avec et sans traitement ou intervention, tout en observant seulement l'un des deux, est un problème difficile dans l'apprentissage causal. Dans cet article, nous formulons ce problème comme une inférence à partir de variables cachées et nous appliquons des contraintes causales basées sur un modèle de quatre populations causales exclusives. Nous proposons une nouvelle version de l'algorithme EM, appelée algorithme Expected-Causality-Maximization (ECM) et fournissons des indications sur sa convergence dans des conditions légères. Nous comparons notre algorithme aux méthodes de référence sur des données synthétiques et réelles et discutons de ses performances.