Mar, 2024

基于三重 / 无偏 Lasso 的条件平均处理效应的统计推断

PDF
TL;DR研究调查了特定个体因果效应的度量 —— 条件平均处理效应（CATE）的估计和统计推断方法，使用线性模型定义 CATE 为这些线性模型的预期结果之间的差异，并通过高维线性回归方法进行一致性估计和统计推断，进一步使用双重 / 无偏机器学习（DML）和无偏 Lasso 技术减小偏差，通过模拟研究验证了方法的有效性。
conditional average treatment effectscatelinear modelshigh-dimensionalstatistical inference
发现论文，激发创造
  • 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

  • 高维下近似残差平衡：无偏基础下的平均处理效应推断

    本文提出了一种修正方法，使得套索法等稀疏回归方法可以用于高维线性模型的 sqrt {n}- 一致推断，而无需额外假设述评分数的可估计性，仅需要假设存在交集，即积分比例得分从 0 和 1 足够远。

    Apr, 2016

  • 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

  • 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

  • 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

  • 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

  • 揭示稳健性在评估因果推断模型中的潜力

    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

  • 高维数据的程序评估和因果推论

    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

  • 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

  • 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