结合观察和随机数据估计异质性治疗效应

Feb, 2022

结合观察和随机数据估计异质性治疗效应

Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects

Tobias Hatt, Jeroen Berrevoets, Alicia Curth, Stefan Feuerriegel, Mihaela van der Schaar

TL;DR本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。

Abstract

Estimating heterogeneous treatment effects is an important problem across many domains. In order to accurately estimate such treatment effects, one typically relies on data from observational studies or randomized experiments. Currently, most existing works rely exclusively on

heterogeneous treatment effects observational data randomized data representation learning cornet

发现论文，激发创造

合并随机试验与观察性研究的因果推断方法：一项综述

本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

Nov, 2020

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

将实验数据和观察数据相结合估计治疗对长期结果的影响

本文提出了一种方法，将观测数据和实验数据相结合，通过控制函数方法进行因果效应的估计，以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据，结论表明，课堂规模对学生学业成就有显著影响。

Jun, 2020

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

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

高维异质性治疗效应估计的一些方法

该研究旨在提出三种方法，以利用临床记录中包含的数据来为患者提供更好的医疗建议，并通过模拟表现良好。

Jul, 2017

融合观察、偏差和随机数据源的近似反事实界限

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

检测小子群中的重要治疗效果偏倚

通过设计统计检验以及估计观察性研究的最大偏差强度的下界，我们提出了一种超越平均治疗效应的实证研究比较方法，并在真实环境中验证了该方法的有效性，结果与现有医学知识相一致。

Apr, 2024

面板数据中的异质处理效应

利用回归树对面板数据进行分析，将观测值划分为具有相似治疗效果的不相交簇，并利用面板数据的低秩结构估计每个簇的平均治疗效果，提供更准确和可解释的估计结果。

Jun, 2024

从观测、偏见和随机数据学习界定反事实推断

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