Feb, 2024
结合 T-learning 和 DR-learning: 用于在预估因果对比时节约开销的框架
Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
Lars van der Laan, Marco Carone, Alex Luedtke
TL;DR我们引入了高效的插件（EP）学习，这是一种用于估计异质因果对比的新框架，如条件平均治疗效应和条件相对风险。EP 学习框架具有与尼曼正交学习策略相同的洞察效率，同时解决了它们的一些主要缺点，包括实际适用性受损于损失函数的非凸性，以及逆概率加权和违反界限的伪结果可能导致性能差和不稳定性。为了避免这些缺点，EP 学习器构造了一个用于因果对比的种群风险函数的高效插件估计器，从而继承了像 T - 学习这样的插件估计策略的稳定性和鲁棒性特性。在合理条件下，基于经验风险最小化的 EP 学习器是洞察效率的，具有与种群风险函数的洞察效率单步去偏估计的最小化器等价的渐近等价性。在模拟实验中，我们证明了条件平均治疗效应和条件相对风险的 EP 学习器优于最先进的竞争对手，包括 T - 学习器、R - 学习器和 DR - 学习器。我们的 R 软件包 hte3 提供了所提出方法的开源实现。