May, 2023

使用闭式求解器的异质性治疗效应估计元学习

PDF
TL;DR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。
meta-learningconditional average treatment effectneural networksfew-shot learningcate estimation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 分布式数据上的条件平均处理效应估计：一种保护隐私的方法

    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

  • 预测个体治疗效果的共形蒙特卡洛元学习器

    利用条件平均治疗效果 (CATE) 估计器的一种新方法，结合符合性预测系统、蒙特卡罗采样和 CATE 元学习，以提供在个体化决策中使用的预测分布，并展示噪声分布的特定假设会对不确定性预测产生重大影响，然而，CMC 框架在保持小间隔宽度的同时显示出强大的实验覆盖能力，以提供对真实个体治疗效果的估计。

    Feb, 2024

  • 结构治疗的因果效应推断

    本文提出了广义 Robinson 分解方法，用于处理结构化干预条件下的条件平均处理效应（CATE）估计问题。在小世界和分子图像的实验中，与之前的工作相比，我们的方法在 CATE 的估计方面表现更好。

    Jun, 2021

  • CATE Lasso：高维线性回归下的条件平均治疗效应估计

    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