Causal Effect Estimation with Balanced Representation Learning for High-Dimensional Covariates

Estimating causal effects in high-dimensional observational studies is often hindered by covariate imbalance and the curse of dimensionality. We propose a representation learning framework that integrates autoencoders with integral probability metrics (IPMs), specifically maximum mean discrepancy (MMD), and the Wasserstein-1 distance, to enforce covariate balance in a low-dimensional latent space. Utilizing this representation framework, we develop robust estimation methods for causal effects. Furthermore, we establish asymptotic properties for the proposed latent-space estimator under suitable regularity conditions. A two-phase hyperparameter tuning strategy is introduced to control the trade-off between reconstruction loss and distributional balance, and numerical studies are conducted to assess the performance of the proposed methods.

Estimation des effets causaux par apprentissage de représentations équilibrées pour des covariables de grande dimension

L’estimation des effets causaux dans les études observationnelles de grande dimension est souvent entravée par le déséquilibre des covariables et le fléau de la dimensionnalité. Nous proposons un cadre d’apprentissage de représentations qui intègre des autoencodeurs avec des métriques de probabilité intégrale (IPM), en particulier la divergence maximale de moyenne (MMD) et la distance de Wasserstein-1, afin d’imposer un équilibre des covariables dans un espace latent de faible dimension. À partir de ce cadre de représentation, nous développons des méthodes robustes d’estimation des effets causaux. Nous établissons également les propriétés asymptotiques de l’estimateur proposé dans l’espace latent sous des conditions appropriées de régularité. Une stratégie de réglage des hyperparamètres en deux phases est présentée pour contrôler le compromis entre la perte de reconstruction et l’équilibre distributionnel, et des études numériques sont menées pour évaluer la performance des méthodes proposées.

Session

Student Research Presentation Award Competition in Data Science and Analytics

Date and Time