Nguồn tham khảo: Wager, S., & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association, 113(523), 1228–1242. https://doi.org/10.1080/01621459.2017.1319839
Truy cập toàn văn: https://doi.org/10.1080/01621459.2017.1319839
Tóm tắt nội dung
Stefan Wager và Susan Athey (2018) giải quyết bài toán ước lượng tác động không đồng nhất của can thiệp (heterogeneous treatment effects), tức cùng một can thiệp nhưng tác động khác nhau tùy đặc điểm từng người, vấn đề gặp từ y học cá thể hóa tới tiếp thị. Các tác giả phát triển rừng nhân quả (causal forest), phương pháp phi tham số mở rộng thuật toán rừng ngẫu nhiên của Breiman. Trong khung kết cục tiềm năng với giả định không có nhiễu chưa quan sát (unconfoundedness), họ chứng minh rừng nhân quả ước lượng nhất quán tác động thật tại từng điểm, với phân phối lấy mẫu tiệm cận chuẩn và có tâm đúng.
Bài cũng đưa ra cách dựng khoảng tin cậy tiệm cận quanh ước lượng này. Theo các tác giả, đây là bộ kết quả đầu tiên cho phép dùng mọi loại rừng ngẫu nhiên, kể cả rừng phân loại và rừng hồi quy, để suy luận thống kê hợp lệ có chứng minh. Trong thực nghiệm, rừng nhân quả có độ mạnh thống kê cao hơn rõ rệt so với các phương pháp cổ điển ghép cặp láng giềng gần nhất, nhất là khi có nhiều biến không liên quan.
Với hệ thống hỗ trợ sinh viên có nguy cơ bỏ học, phương pháp này giúp trả lời không chỉ ai có rủi ro cao mà cả ai hưởng lợi nhiều từ một chương trình hỗ trợ, kèm khoảng tin cậy để tránh kết luận vội.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Ngoài mô hình tăng thêm đã nêu (Olaya và cộng sự, 2020), rừng nhân quả (causal forest) mở rộng rừng ngẫu nhiên để ước lượng tác động can thiệp cho từng cá nhân, kèm khoảng tin cậy hợp lệ (Wager và Athey, 2018).
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp