Deep IV : une approche flexible pour la prédiction contrefactuelle

La prédiction contrefactuelle nécessite de comprendre les relations causales entre les variables dites de traitement et de résultat. Cet article fournit une recette pour augmenter les méthodes d'apprentissage profond afin de caractériser avec précision ces relations en présence de variables instrumentales (VI) - des sources de randomisation du traitement qui sont conditionnellement indépendantes des résultats. Notre spécification des VI se résout en deux tâches de prédiction qui peuvent être résolues avec des réseaux neuronaux profonds : un réseau de première étape pour la prédiction du traitement et un réseau de deuxième étape dont la fonction de perte implique l'intégration sur la distribution conditionnelle du traitement. Ce cadre Deep IV nous permet de tirer parti de techniques d'apprentissage supervisé standard pour estimer les effets causaux en adaptant la fonction de perte. Les expériences montrent qu'il surpasse les approches d'apprentissage automatique existantes.