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
本文介绍一种方法,通过数据整合和建立结构性因果模型,在不同条件下解决由选择偏差引起的局部统计问题,并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究,证明了这种方法的可行性和准确性,并揭示了数据整合对于信息界的提高具有积极的作用。
Dec, 2022
连同统计可减少方差的估计和鲁棒估计在内,研究了在可能违反正性的情况下的最优治疗规则的因果识别和估计,以及如公平性等约束通过约束优化处理,并提出了用于获得方差敏感性遗憾界的多参数政策类的两阶段算法。
Sep, 2023
该研究提出了一种基于预测敏感性的方案,用于对已部署的分类器进行持续审计,以识别反对事实上的公正性。该方案不需要保护状态信息的预测时间,可以利用保护状态和其他特征之间的相关性,并展示了该方法有效检测反对事实上公正性的违规情况。
Feb, 2022
提出了一种基于预测推断的模型自由框架,用于探究个体治疗效果的敏感性分析,特别关心了混杂因素强度量化和对于反事实的可靠预测推断。
Nov, 2021
通过数据集成、反事实计算和因果推断方法,我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。
Jul, 2023
本文提出了一种新的方法来优化二分类或连续处理的细微变化,该方法可以利用观测数据,其中因果效应使用各种策略(包括可观察的选择和仪器变量)进行识别,并建立了一种针对选择谁进行治疗的算法,并确定了其产生的政策渐近效用后悔的强有力保证。
Feb, 2017
这篇文章介绍了一个基于 Tukey 的因子化方法的框架,可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数,从而实现灵活模型的应用,以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计,同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。
Sep, 2018
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
本研究提出了一种非参数因果模型来研究个性化系统中的用户行为,并介绍了新的实验设计,可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明,所提出的新设计可以成功恢复感兴趣的动态因果效应。
Jun, 2023