Apr, 2023

B-Learner: 针对潜在混淆的异质因果效应准 - Oracle 界限

PDF
TL;DR本研究提出一种称为 B-Learner 的元学习器，可以在隐含混淆的限制下有效地学习 CATE 函数的尖锐界限，该方法具有有效、尖锐和高效的性质，在更一般的条件下，其估计量具有拟神谕性质。
observational datatreatment effectsconfoundingmeta-learnervalid bounds
发现论文，激发创造
  • 对隐含性混淆下的个体层次因果效应估计中无法量化的无知进行量化

    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

  • 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

  • 使用机器学习估计异质性治疗效果的元学习器

    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

  • 未观测到的混淆因素对条件和平均处理效应的界限

    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

  • 未观测到的混淆下个体级因果效应的区间估计

    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

  • 朝向最优异质因果效应的双重稳健估计

    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

  • 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

  • 使用闭式求解器的异质性治疗效应估计元学习

    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

  • 多环境下部分识别的治疗效果的元学习器

    从多环境的观测数据中，利用部分识别法通过元学习器估计条件平均治疗效应的边界。

    Jun, 2024

  • 评估治疗效果的表征诱导混杂偏倚的界限

    提出了一种对条件平均处理效应（CATE）估计中维度约束引起的混淆偏差进行边界估计的新的、无关于表示的框架。

    Nov, 2023