Causal forests and model shift transfer learning to estimate heterogeneous treatment effect - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2024

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

Résumé

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.
Fichier principal
Vignette du fichier
Thesis_Template__Copy___Copy_ (34).pdf (3.42 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04635695 , version 1 (04-07-2024)

Identifiants

  • HAL Id : tel-04635695 , version 1

Citer

Bérénice-Alexia Jocteur. Causal forests and model shift transfer learning to estimate heterogeneous treatment effect. Probability [math.PR]. Lyon 1, 2024. English. ⟨NNT : 2024LYO10119⟩. ⟨tel-04635695⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More