本文研究了针对多值处理的异质效应的元学习方法,考虑不同的元学习算法,以及它们在不同的参数下的误差上界,提出并讨论了能够适用于不同处理多样性的方法,并使用合成半合成数据集验证了这些方法的优劣。
May, 2022
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
介绍了一种利用机器学习和统计学中的任何监督式学习或回归方法来估计条件平均处理效应(CATE)函数的元算法,其中包括一种新的元学习者 X-learner,通过广泛的模拟研究和两个政治学实验表明该算法的有效性和应用。
Jun, 2017
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
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。
May, 2019
本文旨在探讨在观察性或非全随机数据上进行因果推断的问题以及利用统计学习工具来解决这些问题。我们介绍了现有最先进的合适的框架,可通过非参数回归模型估计个体处理效应,并提出了模型选择问题,旨在利用某些方法对三个不同模拟研究的效果进行说明。最后,我们演示了在学校餐饮计划数据的实证分析中使用一些方法。
Sep, 2020
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
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
本文提出了一种使用神经网络进行元学习的方法来估计少量观测数据下的条件平均处理效应(CATE),该方法将 CATE 估计问题分解成多个子问题,并使用共享和特定于任务的参数的神经网络来建立估计模型,以实现有效的元学习。实验结果表明,这种方法在元学习和 CATE 估计方面优于现有的方法。
May, 2023
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