近似中位数治疗效果的限制
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
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
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
通过联邦学习和差分隐私,我们提供了一种在多个医疗机构之间进行平均治疗效果估计 (ATE) 的联邦分析方法,解决了医疗领域中不同数据源之间的隐私保护和数据利用的问题。
Oct, 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
本文研究了在难以收集数据的情况下,通过使用代理观测值对治疗效果进行高效估计,构建了基于机器学习技术的估计方法,并通过职业培训的长期收益效果的实证研究表明了其效果
Mar, 2020
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