活跃的自适应实验设计用于具备协变量选择的治疗效果估计
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
在顺序实验中,通过使用自适应增广逆概率加权估计量和倾向得分截断技术,我们提出了一种有效的平均处理效应推断方法,能够在变动的样本规模下进行推断并具有较窄的置信区间。
Nov, 2023
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
该研究旨在研究上下文匹配实验中社会福利损失与统计功效之间的折中,并提出了一个多目标优化问题的上下界匹配方法,以及结合隐私保护措施的差分隐私算法,并推导出了估计器的渐近正态性质。
Jan, 2024
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
在这篇论文中,我们采用最近引入的无结构统计下界框架,证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性,以及这些估计器的加权变体,这在政策评估中广泛应用。
Feb, 2024
估计器及时效应的问题中主要关注的是平均治疗效果、分位数治疗效应和中位数治疗效应,在本研究中,我们提出了一种新的近似概念,依赖于值的排序,同时提出了可变性的数量来精确衡量中位数治疗效应估计的复杂性,并且证明了估计中位数治疗效应的任何算法都不能比计算可变性的算法误差更小,并提供一种简单的线性时间算法来精确计算可变性。
Mar, 2024
该研究探讨了在协变量数目较多的情况下,半参数估计平均处理效应的方法,建议研究人员除了报告点估计和标准误差外,还应该进行多种补充分析以评估估计可信度。
Feb, 2017
本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果,其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异,并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地,一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性,而不需要通常的假设协变量密度远离零,在此关键步骤是采用独立于兴趣的新型极限不等式。
Feb, 2020
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