因果推断在有限资源决策中的应用

因果推断在有限资源决策中的应用

01 什么是因果推断

• 关联 vs 因果：传统关联学习仅揭示变量间相关性，而因果推断关注干预变量对结果的影响，例如通过改变输入的某一维T来观察Y的变化。
• 核心区别：传统关联学习回答“X如何影响Y”，因果推断回答“如果改变T，Y会如何变化”，且二分类模型AUC高不一定等同于因果效应好。

02 有限资源决策

• 场景举例：
  • 背包问题：在限定重量内选择物品以最大化总价值。
  • 机票定价：根据预定时间分配座位以最大化航班收入。
  • 网约车补贴：在预算内分配补贴以最大化交易GMV。
• 数学抽象：
  • 目标函数：最大化$f(x)$，约束条件$g_i(x) \leq 0$。
  • 决策变量：$x$，需通过模型$f$和$g$准确预估目标值和约束值。
• 技术抽象：
  • 模型预测服务：目标预测、成本预测、生成候选集。
  • 运筹优化：候选集优化、线上部署、固定/浮动成本、约束/目标拆解、过滤剪枝聚类。

03 因果推断助力智能决策

• 经典案例：
  • 价格需求曲线：价格与需求呈反比关系。
  • 投入回报曲线：通常单调且边际效应递减。
• 资源分配问题：
  • 案例：某城市资源分配效率低，高回报城市投入少，低回报城市投入多。
  • 目标：拉齐不同城市边际ROI，关键在于准确预估投入回报曲线。
• 随机实验设计：
  • 优势：满足SUTVA假设，数据质量高，建模效果易评估。
  • 挑战：RCT数据校验难，需业务知识辅助模型或依赖GoldStandard。
• 因果推断建模方法：
  • Causal Forest：直观但难处理高维0/1特征交叉（Uber/LinkedIn/滴滴/快手/Meta）。
  • Meta-Learners：公式清晰但假设较多（微软/Uber）。
  • Representation Learning：深度学习框架但可解释性差（快手/Uber/Microsoft）。
  • Double/Debiased Machine Learning：公式清晰但依赖两个正交模型（Microsoft）。
• 建模方法详解：
  • Causal Forest：算法4 R-learner。
  • Meta-Learners：S/T/X/R Learner。
  • Representation Learning：参考Schölkopf等人的研究。
  • Double/Debiased Machine Learning：公式及论文较多。
• 效果评估指标：
  • Qini Score：序指标，仅需排序。
  • AUUC（Area Under Uplift Curve）：序指标，同上。
  • AUCC（Area Under Cost Curve）：比Qini和AUUC更接近实际结果，适用于成本约束场景。
• 特征选择：
  • 原则：多做减法，少做加法，避免引入工具变量、调整变量、混淆变量、对撞变量、post-treatment变量。
  • 理论支持：Confounder和Adjustment Variable的合理分解可降低ATE预估方差。

04 Future Work & Discussions

• 未解决问题：
  • 无法进行随机实验：如何进行因果推断？
  • Treatment维度过高：如何处理？
  • SUTVA假设不满足：如何处理？
  • UPLIFT信号极弱：如何优化？