面向无效工具变量的个体化干预决策规则学习方法及系统

本技术涉及计算机数据处理，尤其涉及面向无效工具变量的个体化干预决策规则学习方法及系统。

背景技术：

1、随着计算机数据处理和机器学习技术的发展，利用历史观测数据分析不同处理方式与结果之间的关系，并据此生成面向不同对象的个体化决策规则，已广泛应用于数据分析、资源配置、策略推荐等场景，例如，在基于历史业务记录进行策略选择时，计算机系统可以获取对象的基线属性、实际接受的处理状态以及对应结果，通过统计学习模型估计不同基线属性下的处理效果，再根据估计结果确定后续对象对应的处理选择，此类方法的核心在于由观测数据形成能够用于规则学习的处理效应表征，并进一步通过分类或者决策学习模型得到基线协变量与处理状态之间的映射关系。

2、在观测研究数据中，处理状态通常并非完全随机形成，除能够直接记录的基线协变量外，还可能存在未被数据系统记录、但同时影响处理分配和结果变量的因素，为分析此类数据，现有方法可以引入工具变量，借助工具变量与处理变量之间的关联辅助识别处理效应，传统工具变量分析通常基于工具变量主要通过处理变量作用于结果变量的条件建立相应模型，而在部分实际数据中，工具变量除影响处理分配外，还可能通过其他路径与结果变量发生直接联系，此时，工具变量与处理变量、结果变量以及未观测因素之间形成更复杂的条件关系，需要在观测数据内部进一步利用可识别的分布特征完成处理效应分析。

3、已有研究表明，不同工具变量状态下处理变量条件方差的差异可以作为此类处理效应识别的信息来源，并可结合工具变量条件分配概率、处理变量条件分配概率及相应条件期望形成处理效应估计，另一方面，个体化决策规则学习通常根据条件处理效应确定不同基线协变量状态下的处理方向，并通过支持向量机、加权分类等计算机学习方法形成可执行的决策函数，上述两类处理分别解决处理效应识别和决策规则学习问题，在实际计算过程中，还需要使处理效应识别阶段形成的中间量能够按照确定的数据关系连续传递至规则学习阶段。

4、特别是在工具变量能够通过处理变量之外的路径作用于结果变量且存在未观测混杂的情况下，原始观测结果中同时包含处理作用、工具变量直接作用以及未观测因素对应的剩余变化，如何利用处理变量条件分配概率形成中心化结果，并结合处理变量条件直接效应对结果变量进行校正，再通过相应条件期望和不同工具变量状态下的处理变量条件方差差异构造能够表征基线协变量条件处理效应的数据量，是后续个体化规则学习需要解决的关键数据处理问题。

5、此外，条件平均处理效应本身同时包含处理选择方向和处理效应幅度两方面信息，为了使该结果能够直接进入计算机分类学习过程，还需要建立处理效应与分类学习变量之间的明确转换关系，使其符号对应处理类别，使其绝对值对应分类过程中的样本权重，并在同一加权分类目标下形成个体化干预决策函数，因此，如何在上述观测数据条件下形成从处理效应识别、条件平均处理效应确定到加权分类和个体化决策规则学习的连续计算关系，是现有计算机数据处理及机器学习应用中需要进一步研究的问题。

技术实现思路

1、本技术提出了面向无效工具变量的个体化干预决策规则学习方法及系统，以解决背景技术中的问题。

2、为达到上述目的，本技术采用如下技术方案：面向无效工具变量的个体化干预决策规则学习方法，包括：

3、获取包括结果变量、二值处理变量、二值工具变量和基线协变量的观测研究数据，在二值工具变量通过二值处理变量之外路径作用于结果变量且二值处理变量与结果变量之间存在未观测混杂的条件下，根据不同二值工具变量取值状态下的处理变量条件方差差异及工具变量条件分配正性建立处理效应识别基础；

4、确定处理变量条件分配概率和工具变量条件分配概率，根据处理变量条件分配概率对二值处理变量进行中心化得到中心化残差；

5、估计处理变量条件直接效应，根据处理变量条件直接效应校正结果变量得到校正结果，确定校正结果在二值工具变量和基线协变量条件下的条件期望，并确定中心化残差与校正结果乘积在基线协变量条件下的条件期望；

6、根据中心化残差、校正结果及对应的条件期望形成有效影响函数中的残差项，结合二值工具变量、工具变量条件分配概率、处理变量条件方差差异及处理变量条件直接效应构建有效影响函数，按照基线协变量对有效影响函数取条件期望得到条件平均处理效应；

7、根据条件平均处理效应构建加权分类任务，求解个体化干预决策函数，并依据个体化干预决策函数的输出符号形成基线协变量空间至二值处理空间的映射，得到个体化干预规则。

8、进一步的，在二值工具变量通过二值处理变量之外路径作用于结果变量且二值处理变量与结果变量之间存在未观测混杂的条件下建立处理效应识别基础的具体操作为：

9、针对二值工具变量和二值处理变量的取值建立潜在结果，并设置未观测混杂因子；

10、建立潜在结果与二值处理变量在给定二值工具变量、基线协变量和未观测混杂因子条件下的条件独立关系，建立潜在结果与二值工具变量在给定未观测混杂因子和基线协变量条件下的条件独立关系，并建立二值工具变量与未观测混杂因子在给定基线协变量条件下的条件独立关系；

11、建立结果变量条件期望模型和二值处理变量条件期望模型，结果变量条件期望模型包含处理变量条件直接效应项和二值工具变量经二值处理变量之外路径作用于结果变量的直接效应项，二值处理变量条件期望模型包含二值工具变量与二值处理变量之间的条件关联项。

12、进一步的，根据不同二值工具变量取值状态下的处理变量条件方差差异及工具变量条件分配正性建立处理效应识别基础的具体操作为：

13、分别确定二值工具变量取值为1和取值为-1时的处理变量条件分配概率，并根据处理变量条件分配概率确定对应的处理变量条件方差；

14、以二值工具变量取值为1时的处理变量条件方差减去取值为-1时的处理变量条件方差得到处理变量条件方差差异，并将处理变量条件方差差异限定为不低于预设正下界，预设正下界大于零；

15、根据基线协变量确定工具变量条件分配概率，将二值工具变量取值为1的工具变量条件分配概率限定为大于预设常数且小于一减预设常数，预设常数大于零且小于二分之一。

16、进一步的，确定处理变量条件分配概率并对二值处理变量进行中心化，以及根据处理变量条件直接效应校正结果变量的具体操作为：

17、根据二值工具变量和基线协变量确定二值处理变量取值为1的处理变量条件分配概率，并根据处理变量条件分配概率确定二值处理变量的条件期望；

18、以二值处理变量与条件期望的差形成中心化残差；

19、估计基线协变量条件下的处理变量条件直接效应，根据处理变量条件直接效应与二值处理变量的乘积对结果变量进行校正，得到校正结果；

20、确定校正结果在二值工具变量和基线协变量条件下的条件期望，并确定中心化残差与校正结果乘积在基线协变量条件下的条件期望。

21、进一步的，构建有效影响函数并得到条件平均处理效应的具体操作为：

22、从校正结果中扣除校正结果在二值工具变量和基线协变量条件下的条件期望，将所得差值与中心化残差相乘，再扣除中心化残差与校正结果乘积在基线协变量条件下的条件期望；

23、将所得结果与二值工具变量的二倍值相乘，以工具变量条件分配概率与处理变量条件方差差异的乘积为除数进行校正，并加入处理变量条件直接效应的二倍值，得到有效影响函数；

24、按照基线协变量对有效影响函数取条件期望，得到条件平均处理效应。

25、进一步的，根据条件平均处理效应构建加权分类任务的具体操作为：

26、根据条件平均处理效应的符号形成分类标签，根据条件平均处理效应的绝对值形成样本权重；

27、以分类标签作为分类类别，根据样本权重对候选个体化干预规则输出与分类标签不一致对应的误分类损失进行加权，构建加权分类任务。

28、进一步的，求解个体化干预决策函数的具体操作为：

29、采用实值决策函数参数化候选个体化干预规则，并根据实值决策函数的输出符号确定二值处理变量取值；

30、采用支持向量机求解实值决策函数，将分类标签与实值决策函数输出的乘积输入合页损失函数，并根据样本权重对合页损失进行加权；

31、将实值决策函数在预设函数空间中的范数作为正则化项，通过最小化包含正则化项的加权合页损失得到个体化干预决策函数。

32、进一步的，依据个体化干预决策函数的输出符号形成基线协变量空间至二值处理空间的映射的具体操作为：

33、将目标对象的基线协变量输入个体化干预决策函数，根据个体化干预决策函数的输出符号确定二值处理变量取值，并建立基线协变量与二值处理变量取值之间的映射，得到个体化干预规则。

34、进一步的，得到个体化干预规则的具体操作为：

35、将候选个体化干预规则对应潜在结果的期望确定为价值函数，以价值函数最大化确定规则优化目标；

36、根据条件平均处理效应将规则优化目标转换为加权分类任务，通过加权分类任务求得个体化干预决策函数，并根据个体化干预决策函数的输出符号确定基线协变量对应的二值处理变量取值，得到个体化干预规则。

37、面向无效工具变量的个体化干预决策规则学习系统，包括：

38、处理效应识别基础建立模块，获取包括结果变量、二值处理变量、二值工具变量和基线协变量的观测研究数据，在二值工具变量通过二值处理变量之外路径作用于结果变量且二值处理变量与结果变量之间存在未观测混杂的条件下，根据不同二值工具变量取值状态下的处理变量条件方差差异及工具变量条件分配正性建立处理效应识别基础；

39、条件平均处理效应确定模块，确定处理变量条件分配概率和工具变量条件分配概率，根据处理变量条件分配概率对二值处理变量进行中心化得到中心化残差；估计处理变量条件直接效应，根据处理变量条件直接效应校正结果变量得到校正结果，确定校正结果在二值工具变量和基线协变量条件下的条件期望，并确定中心化残差与校正结果乘积在基线协变量条件下的条件期望；根据中心化残差、校正结果及对应的条件期望形成有效影响函数中的残差项，结合二值工具变量、工具变量条件分配概率、处理变量条件方差差异及处理变量条件直接效应构建有效影响函数，按照基线协变量对有效影响函数取条件期望得到条件平均处理效应；

40、加权分类模块，根据条件平均处理效应构建加权分类任务，求解个体化干预决策函数；

41、个体化干预规则确定模块，依据个体化干预决策函数的输出符号形成基线协变量空间至二值处理空间的映射，得到个体化干预规则。

42、本发明有益效果如下：

43、本发明针对工具变量能够通过处理变量之外的路径直接作用于结果变量且存在未观测混杂的观测数据处理场景，不再单纯依赖传统工具变量的排他性条件，而是利用不同工具变量状态下处理变量条件方差差异以及工具变量条件分配正性建立处理效应识别基础；进一步根据处理变量条件分配概率形成中心化残差，并通过可观测条件矩确定处理变量条件直接效应，从而使工具变量失效及未观测混杂条件下的处理效应能够由观测研究数据按照确定的计算关系继续识别。

44、在此基础上，本发明将处理变量中心化、结果变量校正以及两类条件期望处理连续结合，构建有效影响函数，并按照基线协变量取条件期望得到条件平均处理效应；由此，处理变量对应的作用、工具变量直接作用以及未观测混杂产生的剩余变化能够在同一处理链中进行区分和校正，使最终形成的条件平均处理效应具有明确的数据来源和计算路径，并能够保留不同基线协变量状态下处理效应的异质性，为后续个体化规则学习提供稳定的处理效应表征。

45、本发明还将条件平均处理效应与个体化决策规则学习直接衔接，根据条件平均处理效应的符号形成分类标签，根据其绝对值形成样本权重，并将处理选择方向和处理效应幅度共同输入加权分类过程，求得个体化干预决策函数；由此形成从处理效应识别、条件平均处理效应确定到加权分类和个体化干预规则输出的连续计算链，使前级因果识别结果能够直接转化为后级机器学习决策依据，并形成由基线协变量空间至二值处理空间的可执行个体化干预规则。