May, 2019

使用工具进行异质性处理效果的机器学习估计

PDF
TL;DR本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计，并减少了问题到最小化一个适当的损失函数（依赖于一组辅助模型，每个模型对应一个独立的预测任务）的规模。
发现论文，激发创造
  • 基于数据驱动的异质性治疗效应估计

    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

  • 通过解释性视角评估异质性处理效果模型的基准性能

    研究利用后处理的特征重要性方法来评估治疗效果估计器，通过建立基准环境，从而以往未被重视的新维度来研究个性化治疗效果模型的能力，以识别影响模型预测的特征，并提供有关处理效果模型的不同类型的优缺点的新见解。

    Jun, 2022

  • 估计个体治疗效果时模型选择方法比较

    对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

    Apr, 2018

  • 非参数式异质性处理效应估计：从理论到学习算法

    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

  • 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

  • 将观测与实验数据结合以查找异质性治疗效应

    提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

    Nov, 2016

  • 异质性处理效应的准预言估计

    本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。

    Dec, 2017

  • 用于估计异质治疗效果的联邦学习

    使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

    Feb, 2024

  • 基准比较中的忽略假设：评估 CATE 是否准确？

    本文中，我们发现，尽管观察数据的异质性治疗效果估计的机器学习工具箱正在迅速扩展，但其中许多算法仅在非常有限的半合成基准数据集上进行了评估。

    Jul, 2021

  • 基于贝叶斯机器学习的不完全遵从下异质因果效应

    本文介绍了一种创新的贝叶斯机器学习算法，可在存在不完善合规性（例如，在不规则的分配机制下）的情况下对异质性因果效应进行可解释的推断。该算法表现出比其他面向因果推断的机器学习技术更好的性能，并在控制叶子级别的错误率（或 - 较宽松地控制错误发现率）的同时发现和估计异质性因果效应。该算法在工具变量场景中揭示了因果效应的异质性，为政策制定者提供了有用的工具。其实证应用评估了增加资金对学生绩效的影响。结果表明，BCF-IV 可用于提高学校资金对学生绩效的有效性。

    May, 2019