ICMLJul, 2021

基准比较中的忽略假设：评估 CATE 是否准确？

PDF
TL;DR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。
machine learningestimationobservational dataheterogeneous treatment effectsbenchmark datasets
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

  • 异质因果效应估计模型选择的实证分析

    研究因果推断中的模型选择问题，特别是针对二元处理条件下的条件平均处理效应（CATE）估计问题。作者设计了一种不依赖反事实数据的模型选择技术，并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。

    Nov, 2022

  • 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

  • 比较元学习方法在估计多值处理异质效应中的表现

    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

  • 异质性治疗效果评估的动态治疗信息共享

    本文提出了一种基于深度学习的框架，用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享，并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题，增加了新型的不确定性感知 CATE 学习者类 HyperCATE，实验结果表明，该框架通过反事实推理改进了 CATE 估计误差，对较小数据集的效果更加显著。

    May, 2023

  • 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

  • 使用工具进行异质性处理效果的机器学习估计

    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

  • 关于在忽略性假设下，条件平均治疗效应（CATE）和个体治疗效应（ITE）的区别

    本文指出在忽略性假设下，个体效应的估计可能需要附加假设，并且这些效应更确切地描述为条件平均处理效应，混淆这两种效应可能会阻碍个性化效应估计的进展。

    Aug, 2021

  • CATE meets ML -- 条件平均处理效应与机器学习

    这篇论文主要讨论了利用机器学习和计量经济学方法来预测及估计治疗效果中的个性化处理效应，作者使用了 meta-learner，比如的 Doubly-Robust, R-, T - 和 X-learner，以及专门设计来估计 CATE 的工具如因果 BART 和广义随机森林，通过两个实证案例 - 小额信贷可利用性和 401 (k) 养老计划资格的影响与效果，发现所有观察值均具正面的治疗效应，但存在不同的效应异质性。

    Apr, 2021

  • 机器学习估计异质性因果效应：实证蒙特卡罗证据

    本研究通过实证蒙特卡洛研究，研究了不同聚合级别下异质因果效应的因果机器学习估计器的有限样本性能，并提供了支持这些估计器的证据。

    Oct, 2018