Oct, 2018

未观测到的混淆下个体级因果效应的区间估计

PDF
TL;DR本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。
conditional average treatment effectsobservational dataunobserved confoundersfunctional interval estimatorpersonalized decision rules
发现论文，激发创造
  • 对隐含性混淆下的个体层次因果效应估计中无法量化的无知进行量化

    本文研究了如何使用参数区间估计器在高维观测数据中，从存在未观察到混淆变量的情况下，学习条件平均处理效应（CATE）。提出了一种新的区间估计器来估算可能的 CATE 范围，同时也考虑了样本数量不足或违反重叠假设的情况，并结合模型不确定性，证明了该估计器可以收敛到针对 CATE 的紧密边界。

    Mar, 2021

  • 未观测到的混淆因素对条件和平均处理效应的界限

    本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。

    Aug, 2018

  • 多 CATE: 对未知协变量转变健壮的多准确条件平均处理效应估计

    通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。

    May, 2024

  • 朝向最优异质因果效应的双重稳健估计

    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

  • 评估治疗效果的表征诱导混杂偏倚的界限

    提出了一种对条件平均处理效应（CATE）估计中维度约束引起的混淆偏差进行边界估计的新的、无关于表示的框架。

    Nov, 2023

  • B-Learner: 针对潜在混淆的异质因果效应准 - Oracle 界限

    本研究提出一种称为 B-Learner 的元学习器，可以在隐含混淆的限制下有效地学习 CATE 函数的尖锐界限，该方法具有有效、尖锐和高效的性质，在更一般的条件下，其估计量具有拟神谕性质。

    Apr, 2023

  • CATE Lasso：高维线性回归下的条件平均治疗效应估计

    在关于两种处理方法的因果推断中，条件平均处理效应（CATEs）作为一种代表个体因果效应的数量起着重要角色，它被定义为在协变量条件下两种处理方法的期望结果的差异。本研究假设了两个潜在结果与两种处理方法的协变量之间的线性回归模型，并将 CATEs 定义为这两个线性回归模型之间的差异。我们提出了一种方法，用于在高维度和非稀疏参数下一致地估计 CATEs。通过假设 CATEs 的隐式稀疏性，我们展示了理论上的一致性等理想性质的实现性，即使不显式假定稀疏性。利用这种假设，我们开发了一种专门用于 CATE 估计的 Lasso 回归方法，并证明了估算量的一致性。最后，我们通过模拟研究确认了所提出方法的合理性。

    Oct, 2023

  • 使用二元工具变量估计存在未观测混杂下的个体治疗效应

    该论文提出了一种称为 MRIV 的机器学习框架，基于二进制 IVs 直接估计个人化药物治疗效果，解决了实践中治疗分配容易被未观察变量混淆的偏差问题，并给出了理论分析证明的理论和实验结果表明，其性能表现优于已有的 IV 貌似方法。

    Aug, 2022

  • 通过结合弱工具和观测数据估计异质治疗效应

    通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。

    Jun, 2024

  • 反事实推论和个体治疗效果的合规推断

    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