2-5 基于双重神经网络的异质性因果效应的模型构建及应用 - 周小羽 快手

总结

介绍

异质性因果效应（HTE）指的是不同个体对相同干预措施的响应差异。例如，给用户发放美妆折扣券，不同用户的反应可能不同。研究目标是从平均处理效应（ATE）转向异质性处理效应（HTE），即估计每个个体在特定干预下的效应。

难点

1. 非线性模型的统计检验：处理效应在不同单位可能存在非线性关系，如何捕捉这种差异是一个挑战。
2. 应用中的问题：
   • 如何根据用户特征决定推送消息的数量。
   • 边际效应递减法则：用户粉丝数增加时，不同粉丝数的增量带来的作品生产量是否相同。
   • 大部分用户的HTE在0附近聚集，如何识别显著正向的HTE。
3. 规模效应的估计：如何估计处理效应的非线性关系，例如使用简单的非线性函数或双重神经网络（DNN）模型。
4. 统计检验方法：
   • 使用BLP（best linear predictors of the effects on machine learning proxies）和GATES（average effects sorted by impact groups）等方法近似估计HTE的显著性。
   • 使用CLAN（average characteristics of most and least impacted units）估计特征对HTE的影响。

应用

1. 涨粉和生产：基于DML+DNN模型，可以估计每个作者涨粉的上限，从而最大化未来一周的生产数。
2. 推送消息：基于DML+DNN模型，可以预测每个设备在不同推送条数下的反应，优化推送策略。

总结

• DNN+HTE模型可以应用于探索收益天花板的问题，帮助业务规划资源和调整定价策略。
• 通过post analysis，可以使结果更稳健。
• DML模型可以进行跨模型比较，探索一个模型估计的HTE的variation是否足够大，以及特征对HTE的影响是否显著。