双重补偿学习在治疗效果估计中的无结构优化性
应用机器学习方法解决高维数据下模型参数估计问题的方法被推广到了观测数据的平均处理效应估计,通过使用 Neyman-orthogonal scores 和交叉配对等技术进行设备参数的估计。
Jan, 2017
本文提供了针对丰富的数据环境中的各种处理效应,包括局部平均处理效应(LATE)和局部分位数处理效应(LQTE)的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收,异质性处理效应和函数值结果等特殊情况。
Nov, 2013
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
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
提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架,该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性,结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证,并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。
Feb, 2024
本研究提出了一种简单且通用的非参数估计框架,用于在公平性约束下估计异质性处理效应,该方法在标准正则条件下展现出双重鲁棒性质,通过评估方法,我们确定了公平和最大福利之间的权衡,并用实际案例展示了我们的方法。
Jun, 2023
通过中度平衡的表示学习 (MBRL) 框架,同时利用正交机器学习理论中的噪声正交性信息,本研究成功解决了从观测数据中估计平均治疗效果 (ATE) 的问题,并通过基准和模拟数据集的全面实验验证展示了方法的优越性和鲁棒性。
Sep, 2022
本文提出了新的假设条件,允许在标准 IV 模型下识别平均处理效应(ATE),并构建了多个估计器,这些估计器在三个不同的观察数据模型下是一致的,并设计保证 ATE 估计值在 - 1 到 1 之间的估计器。
Nov, 2016
为了解决条件平均处理效应估计器选择的挑战,本文引入了一种新的方法,即分布鲁棒度量(DRM),该方法不仅消除了需要拟合附加模型的需求,而且在选择强健的 CATE 估计器方面表现出色。实验研究证明了 DRM 方法的效力,展示了其在识别优越估计器的同时减轻选择劣质估计器的风险的一致效果。
Feb, 2024
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