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
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
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
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。
Oct, 2018
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
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
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
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
研究人员综述了关于时间序列数据的个体化治疗效应研究,并对理论假设、治疗设置类型和计算框架进行了评论,讨论了时间序列环境下个体化治疗效应研究面临的挑战和未来研究方向。
Feb, 2024
我们提出了一种名为数据协作双重机器学习(DC-DML)的方法,用于估计具有隐私保护的分布式数据的 CATE 模型,并通过数值实验对该方法进行了评估。
Feb, 2024