异质性处理效应的准预言估计
本文考察了异质性效应估计中条件平均处理效应的方法,并尝试分析了它们的最优性与局限性,提出了一种局部多项式适应的双重残差回归方法,可以在更弱的条件下实现最优效果。
Apr, 2020
提出了一种贝叶斯推断框架来量化治疗效果估计的不确定性,支持在相对较小的样本量条件下进行决策,该方法在小样本量设置中能够准确估计异质治疗效应并有效量化其估计不确定性。
Dec, 2023
本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果,其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异,并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地,一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性,而不需要通常的假设协变量密度远离零,在此关键步骤是采用独立于兴趣的新型极限不等式。
Feb, 2020
本文综述了数据驱动方法在异质性治疗效应估计上的应用,分为基于反事实预测和直接估计因果效应的方法,还有从数据中学习模型结构的结构因果模型方法,并在不同结构模型机制下进行了实证评估。
Jan, 2023
本文研究对社会项目和医疗方案的疗效进行随机实验评估时,如何准确评估其异质性治疗效应,进而为大量可用的治疗方案选择最有效的方案,确定治疗成功或失败的人群,以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法,并证明其优于常用替代方法。
May, 2013
研究结构化相似性如何对待不同治疗方式下潜在结果进行利用,以获得有限样本中条件平均治疗效果的更好估计,比较三种端到端学习策略以解决存在异质性和利用共享结构不充分问题,实验结果表明三种方法都能对许多基准产生实质性提升,并获得了不同实验设置下性能差异的深入认识。
Jun, 2021
本文提供了针对丰富的数据环境中的各种处理效应,包括局部平均处理效应(LATE)和局部分位数处理效应(LQTE)的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收,异质性处理效应和函数值结果等特殊情况。
Nov, 2013
本研究提出了一种简单且通用的非参数估计框架,用于在公平性约束下估计异质性处理效应,该方法在标准正则条件下展现出双重鲁棒性质,通过评估方法,我们确定了公平和最大福利之间的权衡,并用实际案例展示了我们的方法。
Jun, 2023
本研究论述了一些治疗效果评估的方法,探究了不同的元学习策略并以神经网络为基础,旨在构建更好的条件 / 环境下,使某些学习者的表现优于其他学习者的认识。
Jan, 2021
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020