【因果推論】ATEからCATEへ ~教育訓練RCTデータをCausal Forestを用いてPythonで効果検証~

はじめに ある施策の効果を検証するためにA/Bテストが行われています。また経済学の文脈でも、ランダム化比較実験を行って政府の施策(教育、労働訓練など)の効果を検証する論文がトップジャーナルに多く掲載されています。 こうした効果検証において、ビジネスで往々にして議題に挙がるのは、平均処置効果ではなく条件付き平均処置効果(CATE)、すなわち 「属性ごとの施策効果の異質性」 ではないでしょうか。実験の結果を次のアクションに落としこむ際に、より収益性の高いユーザーに施策を絞ろうとするのはとても自然だと思います。 本記事では、条件付き平均処置効果を推定するためのフレームワークの一つであるCausal ForestをPythonで実装することを目的とします。現時点でもPythonでCausal Forestを推定する記事は散見されますが、これらのデータの多くは実験データではなく観察データで、RCTが

[sh19910711]

2024 / "ビジネスで往々にして議題に挙がるのは平均処置効果ではなく条件付き平均処置効果(CATE) + 属性ごとの施策効果の異質性 / 結果を次のアクションに落としこむ際により収益性の高いユーザーに施策を絞ろう"