DoublyRobust-AIPTW.ipynb

doublyrobust-aiptw.ipynb

基本的にAIPTWはIPTWよりも精度は良いはずですがなぜでしょうか、、、

丁寧な紹介記事ありがとうございます！

model_linear にはXだけではなく、Zも説明変数に入れる必要があるのではないでしょうか？

X_and_z = np.hstack([X, z[:, None]])
model_linear = LinearRegression().fit(X_and_z, y)

その上で、m_1とm_0は別個に

df_ps_m['m_1'] = model_linear.predict(np.hstack([X, np.repeat([1], X.shape[0])[:, None]])).flatten()
df_ps_m['m_0'] = model_linear.predict(np.hstack([X, np.repeat([0], X.shape[0])[:, None]])).flatten()

と計算し、

delta_dr_first_iptw = np.sum(df_ps_m["outcome"] * w1)
delta_dr_first_augmentation = np.sum(w1*df_ps_m["m_1"])  - np.sum(df_ps_m["m_1"])

delta_dr_first = (delta_dr_first_iptw - delta_dr_first_augmentation) / size


delta_dr_second_iptw = np.sum(df_ps_m["outcome"] * w0)
delta_dr_second_augmentation = np.sum(w0*df_ps_m["m_0"]) - np.sum(df_ps_m["m_0"])

delta_dr_second = (delta_dr_second_iptw - delta_dr_second_augmentation) / size

delta_dr = delta_dr_first - delta_dr_second

print('caucal effect ', delta_dr)

とすると、 delta_dr ~ 0.203となりました。

@tohtsky さん

いえいえ、こちらこそ非常に汚いコードで申し訳ないです。ありがとうございます。

昔の記事なのでうる覚えで見直しましたが線形モデルには確かにzは入ってますね。

なので@tohtsky さんが正しいです。コメント本当にありがとうございます。

delta_dr ~ 0.203

よかったです！。モヤモヤ解消ですありがとうございます！

PythonでAIPWやっている例はあまりない（Rが多い）ので助かりました。
この辺、z を説明変数に入れたり、z毎に異なる線形モデルを立てたりいろいろ流儀があるみたいでややこしいですよね。。

@tohtsky ですね！ここらへんは少しややこしいですね。僕がやってたときもrがほとんどでしたね、そもそも因果推論も全然少なかった気がします。いまはやっとCFMLが少しずつ人気が出ていますね。