Aug, 2022

使用非二进制处理和效果的单元选择

PDF
TL;DR本论文扩展了利益函数的一般形式，提出了一种算法来测试非二进制利益函数的可识别性，并使用实验和观测数据计算非二进制利益函数的边界。
发现论文，激发创造
  • 单位选择：从有限人口数据中学习受益函数

    本论文提出了一种机器学习框架，利用可估算的有限人口数据上的福利函数范围来学习特征单元格的福利函数范围，以便轻松获得最大化福利函数的特征。

    Oct, 2022

  • 单元选择：案例研究及与 A/B 测试启发式算法的比较

    该研究介绍了 Li 和 Pearl 所定义的单元选择问题，针对有所需反事实行为模式的人进行筛选，并且比较了该模型与 A/B 测试的区别和优越性，同时提供了更多模拟用例，并指出 A/B 测试普遍存在问题。

    Oct, 2022

  • 因果单元选择的算法和复杂性结果

    该研究提出了第一个精确算法，用于在给定广泛类的因果目标函数和完全指定的结构性因果模型下找到最优单元选择，同时提供了基于树宽度的复杂性边界，与最大后验概率推断的一个著名算法相关。

    Feb, 2023

  • 非二元治疗与效应的因果概率

    本文提供了理论边界，以估算多价治疗和效应的因果概率，并使用模拟研究评估了这些边界对各种数据组合的信息性，以及对实际决策的指导作用。

    Aug, 2022

  • 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

  • 异质性处理效应的极小极大优非参数估计

    本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果，其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异，并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地，一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性，而不需要通常的假设协变量密度远离零，在此关键步骤是采用独立于兴趣的新型极限不等式。

    Feb, 2020

  • 选择偏差下的边界反事实

    本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。

    Jul, 2022

  • 使用可解算算术电路的因果单元选择

    通过将元模型编译成一种特殊的可处理算术电路，我们提出了一种新的单元选择方法，不受约束树宽的限制，并展示了基于该方法解决单元选择问题的数量级速度提升。

    Apr, 2024

  • 估计个体治疗效果时模型选择方法比较

    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

  • 使用非参数回归模型估算个体治疗效果：一篇综述

    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