Causal forests and model shift transfer learning to estimate heterogeneous treatment effect
Forêts causales et transfert par changement de modèle pour l’estimation d’effets de traitement hétérogènes
Abstract
This thesis was carried out within the framework of a CIFRE partnership
between University Lyon 1 and Natixis. Its aim is to develop statistical learning methods
for the estimation of causal effects. To this end, a specific model of random forest was
developed, and its asymptotic properties were studied. Subsequent applications on real
data were proposed, mainly on data of interest for the risk management department
of Natixis, but also on a climate-related issue. Finally, a transfer learning method on
the previously introduced forest is proposed, and convergence properties as well as a
generalization bound are established.
Cette thèse a été réalisée dans le cadre d’un partenariat CIFRE entre l’Uni-
versité Lyon 1 et Natixis. Elle a pour objectif de développer des méthodes d’apprentissage
statistique permettant l’estimation d’effets causaux. Pour ce faire un modèle spécifique de
forêt aléatoire a été développé et ses propriétés asymptotiques ont été étudiées. Puis des
applications sur des données réelles ont été proposées, notamment sur une quantité d’inté-
rêt pour la direction des risques de Natixis, mais aussi sur une problématique climatique.
Enfin une méthode d’apprentissage par transfert sur la forêt précédemment introduite
est proposée et des propriétés de convergence ainsi qu’une borne de généralisation sont
établies.
Domains
Probability [math.PR]Origin | Files produced by the author(s) |
---|